德阳市网站建设_网站建设公司_小程序网站_seo优化

当 MoE 通过条件计算扩展模型容量时，Transformer 却缺少原生的知识查找原语。Engram 提出条件记忆作为稀疏性的新轴，让模型以 O(1) 的时间直接检索静态知识，而非通过计算模拟检索。

1. 背景与核心问题

在当前的大规模语言模型（LLM）设计中，稀疏性（Sparsity）是提升模型容量且不显著增加计算成本的关键策略。当前主流实现是通过混合专家（Mixture-of-Experts, MoE），即每个 token 只激活部分专家，从而在参数量大幅增加的同时保持计算量基本不变。

然而，语言建模中存在两类本质不同的任务：

• 组合推理（Compositional Reasoning）：需要深层的动态计算

• 知识检索（Knowledge Retrieval）：如命名实体、固定短语等局部静态模式

现有 Transformer 缺乏原生的知识查找原语，不得不通过多层注意力与前馈网络来“重建”静态知识（如中国首都，模型总是低效推理：中国是个国家，国家有首都，所以中国的首都是...），这本质上是用昂贵的计算模拟廉价的查表操作。

Engram 的核心贡献：提出条件记忆（Conditional Memory）作为条件计算（MoE）的互补稀疏轴，通过 O(1) 查找直接检索静态嵌入，释放模型深度用于更复杂的推理。

2. Engram 架构详解

2.1 整体设计

Engram 是一个条件记忆模块，结构上与 Transformer 主干分离，仅在特定层插入，用于检索静态的 N-gram 记忆并与动态隐藏状态融合。

图1：Engram 架构概览（对应论文 Figure 1）

2.2 关键组件

1)稀疏检索：哈希 N-gram

• 使用Tokenizer 压缩：归一化文本（NFKC、小写化等），将语义相似的 token 映射到同一 ID，词表减少约 23%

• 多头哈希：每个 N-gram 阶使用 K 个独立的哈希头，减少冲突

• 公式：

  最终拼接所有检索到的嵌入得到 et

2)上下文感知门控

检索到的嵌入 et是静态的，可能包含噪声或多义性。Engram 使用一个类 Attention 的门控机制：

• Query：当前隐藏状态 ht（已聚合全局上下文）

• Key/Value：检索到的记忆 et​ 的投影

• 门控值：

  当记忆与上下文冲突时，门控趋于零，抑制噪声

3)轻量卷积增强

使用深度可分离因果卷积（kernel=4, dilation=最大 N-gram 阶）扩大感受野并增强非线性，最后通过残差连接输出。

4)与多分支架构集成

在多分支主干中，Engram 共享 embedding 表和 Value 投影，但为每个分支使用独立的 Key 投影，以实现分支特异性门控。

3. 核心图表解读

3.1 稀疏分配 U 型曲线

图3（左）：稀疏容量在 MoE 专家与 Engram 记忆之间的分配验证损失曲线

• 横轴：分配比例 ρρ，表示稀疏参数中分配给 MoE 的比例

• 纵轴：验证损失

• 结论：纯 MoE（ρ=1ρ=1）并非最优，将 20-25% 的稀疏预算分配给 Engram 可获得最佳性能，形成明显的U 型曲线

3.2 无限记忆缩放定律

*图3（右）：在无限记忆机制下，Engram 的验证损失随记忆槽数量增加的 log-线性下降*

• Engram 的记忆扩展遵循幂律缩放，更多记忆槽持续带来收益，且不增加计算开销

• 相比 OverEncoding 等基线，Engram 在相同记忆预算下具有更大扩展潜力

3.3 长上下文性能

表2 显示，在Iso-Loss和Iso-FLOPs设置下，Engram 在长上下文任务（如 Multi-Query NIAH、Variable Tracking）上显著优于 MoE 基线，最高提升超过 10 个百分点。

3.4 表示对齐与有效深度

图4：LogitLens 和 CKA 分析显示 Engram 的早期层对齐到 MoE 的更深层

• LogitLens 显示 Engram 早期层 KL 散度更低，预测收敛更快

• CKA 相似性热图显示对角线明显上移，说明 Engram 的浅层表示对应 MoE 的深层表示，等效增加了网络深度

4. 代码实现精读

以下基于engram_demo_v1.py解析关键实现：

4.1 压缩分词器

class CompressedTokenizer: def _build_lookup_table(self): # 归一化文本，合并语义相似的 token norm = self.normalizer.normalize_str(text) key = norm if norm else text

• 使用 Unicode 规范化（NFKC）、转小写、去重音等操作，减少词表冗余

4.2 NN-gram 哈希映射

class NgramHashMapping: def _get_ngram_hashes(self, input_ids, layer_id): # 基于乘法与异或的轻量哈希 mix = (tokens[0] * multipliers[0]) for k in range(1, n): mix = np.bitwise_xor(mix, tokens[k] * multipliers[k]) head_hash = mix % mod

• 每个 N-gram 通过确定性哈希函数映射到 embedding 表索引

• 不同层使用不同的乘数种子，增强多样性

4.3 Engram 模块前向传播

class Engram(nn.Module): def forward(self, hidden_states, input_ids): hash_ids = self.hash_mapping.hash(input_ids)[self.layer_id] embeddings = self.multi_head_embedding(hash_ids).flatten() # 多分支门控 gates = [] for hc_idx in range(hc_mult): key = self.key_projs[hc_idx](embeddings) query = hidden_states[:,:,hc_idx,:] gate = (norm(key) * norm(query)).sum(dim=-1) / sqrt(d) gates.append(gate.sigmoid()) value = gates * self.value_proj(embeddings) output = value + self.short_conv(value) return output

4.4 系统级优化：计算与存储解耦

论文图2 展示了训练与推理时的系统设计：

• 训练时：embedding 表分片到多 GPU，使用 All-to-All 通信收集活跃行

• 推理时：embedding 表卸载到主机内存，利用确定性哈希预取，通过计算掩盖通信延迟

表4 显示，即使将 100B 参数的 embedding 表完全卸载到 CPU 内存，推理吞吐量仅下降 <3%。

5. 关键实验结果

5.1 多任务性能提升

表1 显示，在相同参数量和 FLOPs下，Engram-27B 相比 MoE-27B：

• 知识任务：MMLU (+3.0), CMMLU (+4.0)

• 推理任务：BBH (+5.0), ARC-Challenge (+3.7)

• 代码数学：HumanEval (+3.0), MATH (+2.4)

5.2 长上下文优势

• Multi-Query NIAH：84.2 → 97.0

• Variable Tracking：77.0 → 87.2

• 归因于：Engram 将局部依赖委托给查找，释放注意力容量处理全局上下文

5.3 模块消融分析

图5 显示：

• 最佳插入层：第2层（单层）或第2+6层（双层）

• 关键组件：多分支融合 > 上下文门控 > Tokenizer 压缩

• 卷积和更高阶 N-gram影响较小

6. 创新总结

7. 未来展望

Engram 为下一代稀疏模型提供了一个可扩展、系统友好的记忆原语。未来可能方向：

1. 多模态扩展：将 NN-gram 检索扩展到视觉、音频的局部模式

2. 动态记忆更新：支持在推理时编辑或扩展记忆表

3. 跨层记忆共享：设计跨层共享的压缩记忆表示

4. 硬件定制加速：为确定性哈希检索设计专用硬件单元

论文链接：Engram: Conditional Memory as a Sparse Axis for Scalable LLMs
代码仓库：https://github.com/deepseek-ai/Engram

通过 Engram，我们看到了一个重要的设计范式转变：不是所有稀疏性都应该通过条件计算实现，将静态知识委托给条件记忆，能让模型更专注地“思考”，而非“回忆”。