在大型語言模型領域，一項創(chuàng)新研究引發(fā)了廣泛關注。北京大學與DeepSeek團隊攜手合作，共同完成了一項具有突破性的研究，其成果以論文形式呈現(xiàn)。論文題為《基于可擴展查找的條件記憶：大型語言模型稀疏性的新維度》（Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models），并于近日對外發(fā)布。

該研究的核心亮點在于提出了“條件記憶”（conditional memory）這一全新概念。與傳統(tǒng)大型語言模型架構不同，研究團隊引入了可擴展的查找記憶結構。這一創(chuàng)新設計在保持模型參數(shù)和算力不變的情況下，為模型性能帶來了顯著提升。具體而言，模型在知識調用、推理、代碼編寫以及數(shù)學運算等多項任務中的表現(xiàn)均得到了大幅優(yōu)化。

值得一提的是，DeepSeek創(chuàng)始人梁文鋒也出現(xiàn)在了論文的合著作者名單之中，這無疑為這項研究增添了更多關注度。與此同時，DeepSeek團隊還同步開源了與該研究相關的記憶模塊Engram，為行業(yè)內其他研究人員提供了進一步探索和應用的寶貴資源。