哈喽，大家好，今天小墨这篇评论，主要来分析DeepSeek新论文背后的技术突破 实习生挑大梁成行业新现象

国产大模型圈再爆猛料。1月12日晚，DeepSeek不仅开源全新项目，更发布一篇重磅论文，提出“条件记忆”机制Engram。这套机制专门解决MoE模型的效率难题，有望成为DeepSeek-V4的核心架构。

论文署名阵容亮眼，DeepSeek创始人兼CEO梁文锋领衔，北大王选计算机研究所的赵东岩、张辉帅教授共同参与。

最引人关注的是，论文第一作者程信还是北大智能学院的在读博士生，同时在DeepSeek实习，曾深度参与R1、V3等核心项目的研发。

Engram机制

Engram机制的核心思路是给大模型加一个“外接记忆库”。传统MoE模型处理信息时，会对常见名字、公式等静态知识反复计算，既耗时又耗算力。

DeepSeek的解决方案是把这些固定知识整理成可快速查询的表格，让模型把精力集中在复杂推理、长文本理解等核心任务上。

这种设计让Engram架构具备显著优势，训练计算量较MoE减少18%，在32768个token的长上下文任务中，还能在RULER基准测试中反超同参数量MoE模型。

浅层部署的记忆模块能接管局部依赖与静态知识存储，为注意力机制腾出容量专注全局推理。

即便将1000亿参数的记忆表卸载，H800推理吞吐量降幅也不足3%。DeepSeek还发现，增加记忆槽位数量能持续降低验证损失，这为大模型提供了无需增加计算量就能提升性能的可预测扩展路径。

实习生领衔核心

程信作为论文第一作者，并非个例。据科技日报2025年12月20日报道，DeepSeek长期与北大、清华等高校开展联合培养计划，程信正是通过该计划进入企业实习。

刚加入DeepSeek时，程信参与的是R1模型的参数优化工作。由于在高效参数化方法上有独到见解，他被纳入核心研发团队。在Engram机制的研发初期，团队曾因记忆模块与主干网络的适配问题陷入瓶颈。

程信结合自己的研究方向，提出分词器压缩与上下文感知门控结合的方案，连续两周泡在实验室调整参数、验证效果，最终解决了静态记忆缺乏上下文适应性的关键难题。

这种校企协同的模式让更多青年科研人员脱颖而出。目前DeepSeek的核心研发团队中，有三成成员来自高校实习转正的年轻人才。他们在学术研究与工程落地的结合中快速成长，成为国产大模型创新的重要力量。

技术落地可期

Engram机制不仅有学术价值，更具备极强的工程落地潜力。其记忆检索完全依赖输入token，实现了参数存储与计算资源的解耦，训练时可将超大嵌入表分片至多张GPU，推理时能提前预取数据避免GPU停顿。

基于自然语言的Zipf分布特性，Engram还能采用多级缓存策略，高频嵌入存于GPU或主机内存，低频嵌入置于SSD，轻松扩展至超大规模记忆，

DeepSeek在论文中明确提出，条件记忆将成为下一代稀疏模型的核心建模原语，这意味着Engram大概率会整合进DeepSeek-V4，实现知识高效检索与推理能力的飞跃。

目前，Engram的论文和项目已完全开源，开发者可通过GitHub获取相关资料。这种开放态度也让行业看到国产大模型在核心技术领域的自信，吸引更多力量参与生态建设。

总结

DeepSeek新论文的发布，不仅带来了大模型效率提升的新路径，更展现了国产大模型人才培养的新成果。从技术突破到人才崛起，国产大模型正稳步迈向高质量发展，未来值得期待。