📰 概要

DeepSeek V4发布后，网友们第一时间在技术报告里搜索Engram——结果并没有。

Engram是DeepSeek与北大在2026年1月联合开源的记忆增强模块，被视为V4的架构地基。它的缺席，成为V4最大的遗憾。

---

🔍 解读

技术路线上的取舍。

Engram的核心价值在于，给Transformer加了一个原生知识查表模块，能查的别算，直接查表就行。这个设计可以显著降低模型计算成本。

V4没有集成它，意味着团队在架构上做出了其他选择。

---

💎 深挖

Engram是什么

Engram是DeepSeek与北大在2026年1月联合开源的项目，全称为《Conditional Memory via Scalable Lookup》。

论文的核心观察是，语言建模包含两种性质不同的任务：需要深度动态计算的组合推理，以及检索静态知识。

为什么大家都在盼

Engram的创新在于，它给Transformer增加了一个原生知识查表模块。

「伦敦是英国首都」这种事实，模型不用动用整个深层网络去重新推一遍，直接查表就行。

论文举例。

「Diana, Princess of Wales」这个实体，模型要走6层注意力才能识别完。

V4论文里找不到

自1月初论文发表以来，所有人都觉得Engram是V4的架构地基。

但V4发布后，大家command+F去论文里找Engram，结果并没有。

Engram并没有消失

虽然没有集成到V4，但Engram的理念、探索和后续应用已经悄然铺开。

后续三篇值得注意的论文接力出现，为下一代模型打下基础。

为什么值得关注

Engram的设计代表了一种提升模型效率的新方向——用查表替代重复计算，让深层网络专注复杂推理。

这次缺席说明，V4在架构上选择了其他路径，但Engram的探索仍在继续。

什么情况不建议用

如果你关注的是模型的实际性能而不是技术路线，Engram的缺席对你的使用体验没有直接影响。