EngramEdit：条件记忆实现大模型知识解耦更新
AI 总结
一篇新论文提出 EngramEdit，基于 DeepSeek Engram 这类条件记忆架构（用输入 n-gram 查表学习嵌入、以较小计算代价扩充模型容量），把事实知识存储与通用计算解耦，从而在固定 Transformer 主干的前提下更新事实。方法先计算能让模型在多种表述下输出新事实的目标记忆表示，再联合更新共享 n-gram 嵌入，并对频繁复用的嵌入施加更强惩罚以保护无关知识。作者称实验实现了近乎完美的编辑成功率，改写后的知识可用于未见表述和多跳推理，在思维链提示下准确率约为最强基线的三倍，且随编辑累积，无关知识与通用能力基本保持。
深度见解
若结果可复现，这类可编辑的条件记忆为不重训模型、持续更新事实知识提供了一条可行路径。
Computer Science > Computation and Language
arXiv:2610.10533 (cs)
[Submitted on 7 Oct 2026]
Title:EngramEdit: Decoupled Knowledge Updates in LLMs through Conditional Memory
Authors:Hongru Cai, Ran Wei, Wenjie Wang, Chengfa Wu, Ning Song, Yongqi Li, Wenjie Li
View a PDF of the paper titled EngramEdit: Decoupled Knowledge Updates in LLMs through Conditional Memory, by Hongru Cai and 6 other authors