DeepSeek发布新论文推出Engram架构这是一种软件定义的方

该框架旨在消除重复访问现有信息的不必要计算周期，解决Transformer架构中直接内存访问的低效问题，相当于给模型提供快速“备忘单”，让核心模型无需重复学习基础信息。 不仅在知识检索方面 DeepSeek发布新论文，推出Engram架构，这是一种软件定义的方法，通过将高带宽内存（HBM）使用划分为动态推理（75%）和静态查找（25%），提升模型“记忆能力”。 该框架旨在消除重复访问现有信息的不必要计算周期，解决Transformer架构中直接内存访问的低效问题，相当于给模型提供快速“备忘单”，让核心模型无需重复学习基础信息。 不仅在知识检索方面表现提升，在推理、数学和代码任务中也有突破，能让模型提前约7层达到相近推理深度（非Engram的混合专家模型约需12层，Engram模型约需5层），显著提升思考深度。 核心价值在于，无需按比例增加GPU显存/ HBM容量即可实现模型规模扩展，提升模型开发与部署的投资回报率（ROI）。 有望引发AI开发者社区对现有GPU硬件性能优化的关注，对英伟达（NVDA）构成增量利好，包括降低大型模型训练成本、改善模型ROI、拓展新AI用例。 对内存领域而言，Engram架构为模型能力扩展提供了非线性增加HBM需求的清晰路径，同时凸显高速、本地、读取密集型存储（如企业级固态硬盘）的重要性。 其实际影响需待DeepSeek V4发布后显现，据网络消息，该版本预计于2026年2月中旬推出。