新京报贝壳财经讯（记者罗亦丹）1月12日晚间，DeepSeek发布了一篇新论文，主题为《ConditionalMemoryviaScalableLookup:ANewAxisofSparsityforLargeLanguageModels》（直译为基于可扩展查找的条件记忆：大语言模型稀疏性的新维度），梁文锋再度出现在了作者名单最后。这篇论文为北京大学和DeepSeek共同完成。 新京报贝壳财经记者浏览发现，这篇论文的核心直指当前大语言模型存在的记忆力“短板”，提出了“条件记忆”这一概念。 {j

《科创板日报》13日讯，DeepSeek于12日晚发布新论文《Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models》（基于可扩展查找的条件记忆：大型语言模型稀疏性的新维度）。该论文为北京大学与DeepSeek共同完成，合著作者署名中出现。论文提出条件记忆（conditional memory），通过引入可扩展的查找记忆结构，在等参数、等算力条件下显著提升模型在知识调用、推

这是一个关于 AI 底层逻辑重构的时刻。 长期以来，Transformer 架构被困在一个昂贵的悖论中：我们用着最先进的 GPU 算力，去让 AI 模型"死记硬背"那些查字典就能知道的静态知识。 DeepSeek 梁文锋团队与其北大合作者在今日凌晨发布的重磅论文《Conditional Memory via Scalable Lookup》，彻底打破了这一僵局。他们提出了一种全新的Engram（印迹）模块，在传统的"条件计算"（MoE）之外，开辟了第二条稀疏化战线——"条件记忆"。 这不只是一