来源：钛媒体
上新mHC之后，DeepSeek再出大招。
1月13日凌晨，DeepSeek在GitHub开源了名为Engram的模块，并同时发布了与北京大学联合撰写的论文《Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models》，阐述了一种新的大模型稀疏化方向：条件存储（Conditional Memory）。
该论文共有14名作者，DeepSeek创始人、CEO梁文锋署名列于最后。1月1日，DeepSeek发布关于mHC架构的论文，同样引发广泛关注，梁文锋也列于最后署名。
这两篇论文体现了DeepSeek一直以来的方向：打破算力成本硬约束，通过架构和方法论创新，走出更具性价比的道路。
如果说此前的mHC提出了一种新的底层架构，那么条件存储更类似于架构层面的分工重构。
根据DeepSeek的研究，Engram被设计成可微分、可训练并原生嵌入模型结构的组件，其核心在于将记忆负载从主干计算中剥离，避免低效的反复计算，通过高速检索模块直接调用稳定存在且高频出现的知识。
Engram首先实现确定性检索。模型基于当前token和前文形成的N-gram，通过哈希映射，能够直接从超大规模的静态嵌入表中取出对应向量，无需复杂神经计算，速度更快且路径稳定。
随后，Engram引入轻量级门控机制，由当前层隐藏状态判断这段记忆是否适合当前语境，避免了查到就用的生硬注入。
换句话说，Engram既解决了输入端“记得住”的问题，也在输出端优化了“说人话”的表现。
DeepSeek称，实验证明相关机制在时间、专有名词等固定模式下高度活跃，而在自由生成和复杂推理时几乎不介入。这强化了记忆功能的同时，有效避免了不合时宜的幻觉出现。
在整体架构上，DeepSeek将大模型能力拆分为三个相互独立又协作的维度：
- 决定逻辑与抽象能力的模型深度，
- 以MoE为代表、减少每次激活计算量的计算稀疏性，
- 以及存储稀疏性，即Engram引入的条件记忆。
此前，大模型厂商在开发记忆模块时常担心影响模型计算能力和推理性能。
DeepSeek通过论文中提出的U型扩展定律解决了这一平衡问题。在总参数和算力预算固定的情况下，团队系统性地调整MoE和Engram比例，得出将20%至25%的稀疏参数分配给Engram的最优方案。
测试数据显示，即使挂载了规模高达千亿参数的Engram记忆库，推理吞吐损失也能控制在3%以内。
The Information援引知情人士消息称，DeepSeek预计将在今年中国春节前后发布最新的V4模型，核心突破主要在于超长代码提示词的处理与解析能力，以及全流程训练中对数据模式的理解力。
这意味着新模型不仅推理性能将大幅提升，还会更擅长处理复杂任务，编码能力成为新模型的主打。知情人士称，内部初步测试结果已超越Anthropic最强编程模型Claude。
为了守护编程能力优势和入口通道，Anthropic近期陆续切断了Claude Code的第三方平台入口。1月12日，其又发布了Cowork，主打办公场景下的Agent应用，能够自动帮助用户完成制作PPT、整理电子邮件、制定工作计划等任务，且上手门槛较低。
目前尚不清楚mHC和Engram在DeepSeek新模型中的具体角色和表现。但即将发布的旗舰新品，市场期待它能再次掀起“DeepSeek春节冲击波”。
（作者｜胡珈萌，编辑｜李程程）
特别声明：以上内容仅代表作者本人的观点或立场，不代表新浪财经头条的观点或立场。如因作品内容、版权或其他问题需要与新浪财经头条联系，请于上述内容发布后的30天内进行。
https://finance.sina.com.cn/cj/2026-01-13/doc-inhhecrv4867999.shtml
