DeepSeek发布新论文，可能是V4核心技术。

DeepSeek Engram是 DeepSeek 刚刚开源的一项重要研究成果（论文+代码），全称可以理解为：

「条件记忆 + 可扩展查找」—— 为大语言模型引入的一种全新稀疏性轴（sparsity axis）。

简单来说，就是给 Transformer 加了一套「超级大的、静态的、O(1) 确定性查找的外部记忆」，用来弥补 Transformer 天生不擅长做「知识查表」这件事。

Engram 核心概念（用最直白的话讲）

传统路线：
MoE（Mixture-of-Experts） → 用「条件计算」做稀疏（哪个专家激活）
Transformer 本体 → 主要靠神经元「算」出一切

Engram 提出的新思路：
→ 再加一条腿：「条件记忆」（conditional memory），用静态查找来做稀疏

就像把以前的 n-gram 语言模型升级成了现代版超级大容量版，然后让它跟现在的 Transformer 神经网络合作：

早期层常见的模式、短语、事实 → 直接查表（快、省算力）
复杂推理、新组合、动态上下文 → 还是靠神经网络算

目前社区最热的几个判断（2026.1.13 最新舆论）

1. Engram 几乎确定是 DeepSeek-V4 的核心技术之一
（很多业内人士和分析师都这么认为，DeepSeek 最近发了好几篇铺垫性质的论文）

2. 可能是 2026 年最有可能把「百亿刀级模型性能」用「几千万刀」打出来的路子之一

3. 给开源社区提供了一种新的 scaling 方向
以前大家只会卷 MoE 专家数、卷数据、卷算力
现在多了一条腿可以卷：卷外部静态记忆的容量与质量

一句话总结目前最主流的社区情绪：

> 「DeepSeek 又整了个大活，这次可能是真·降维打击方向」

目前（2026年1月13日）项目刚开源不久，论文和代码都在这里：
http://t.cn/AXGz0LGh

想快速了解最核心思想 → 直接看论文前两页 abstract + 图1就基本够了。

有兴趣的话可以持续关注，很大概率这东西会在今年内出现在实际能用的超强开源/商用模型里～

#梁文锋署名新论文曝光#
#DeepSeekV4或引入全新记忆架构#