企业官网建设流程全解析

椒江街道招聘建设网站,国外买东西的网站有哪些,网络软文推广案例,wordpress图片 高清DeepSeek Engram是一种新型条件记忆模块#xff0c;通过N-gram查找表让大模型直接访问连续token组合的信息。该技术使用压缩和哈希方法处理大规模稀疏表#xff0c;通过多头哈希减少冲突#xff0c;并采用上下文感知门控机制决定信息使用。实验表明#xff0c;将70-80%参数…DeepSeek Engram是一种新型条件记忆模块通过N-gram查找表让大模型直接访问连续token组合的信息。该技术使用压缩和哈希方法处理大规模稀疏表通过多头哈希减少冲突并采用上下文感知门控机制决定信息使用。实验表明将70-80%参数分配给MoE模块20-30%给Engram模块效果最佳。系统实现采用存算解耦训练时模型并行推理时CPU与GPU重叠工作提高效率。论文标题Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models论文链接https://arxiv.org/abs/2601.073721.模型总览典型transformer包括两个模块attention模块和FFN模块也叫MLP模块。在DeepSeek V3发布后大量模型开始在FFN模块中使用MoE技术因此图中用MoE来表示。新的模型并不修改所有的transformer layer只是在有限的transformer layer中的一开始增加了Engram模块也使用残差连接图中的加号再和后面两个原有模块串行在一起。Engram模块的输入包括两部分第一部分就是transformer layer本来应该接受的输入即图中的Input Hidden只有上一个layer计算结束才能得到这个layer的input hidden。第二部分则是模型输入的token id也就是整个模型最开头的Vocab Embedding layer的输入。关于token的基本概念可以参考LLM大模型中的token基本概念。因为第二部分的输入在iteration刚开始的时候就知道了这里就可以衍生出很多的优化手段。2. N-gram这部分以个人理解为主。假如不考虑并行从逻辑上说LLM模型就是一个个新token被依次处理每个被处理的token和所有之前的token做attention最终形成一个新的token。信息从单个token开始通过链式的前向注意力逐渐涌现出复杂能力。于是问题来了为什么信息只从单个token开始呢而连续N个token可以包括更多信息而且这些信息还是现成的。虽然LLM模型可以通过attention计算硬生生地算出这些信息但是为什么不可以直接提供这些信息让LLM的算力更多地花在理解和推理上呢想法很好如何完成呢回顾LLM模型最开始token id需要经过vocab embedding layer查表得到一个向量(即hidden state)。那么对于2个token的N-gram组合N2是否也可以查询某个table得到一个向量对N3的连续token组合N-gram是否也可以查询另外一个table得到一个向量呢但是就算得到了这样的向量也只是最近N个连续token提供的静态信息会不会反而和基于整个句子理解的意思相反呢等等问题都可以通过接下来依次展开Engram模块而得到回答。扩展一下一定要连续的若干token组合吗能否存在其他pattern比如跳着什么的也许可以有很多改进性研究可以添砖加瓦。3. token id的压缩和N-gram重构目前tokenizer的字典一般在10万数量级左右也就是说token id的取值范围在0到10万那么vocal embedding layer要查的表格的行数就是10万左右。对于2-gramid1, id2的所有可能性是 10万^2 那就意味着要查询的表格行数有10万^2。对于N3,4那要查询的表格行数就更大了。最终会导致表格内容太大完全放不下。实际上从语义的角度有些不同token id对应的语义其实是一样的比如Apple和apple对应两个token id但是是同一个语义针对这样的情况可以将一个128K的字典压缩23%即对于t位置的token idx_t有x_t fun(x_t)fun是一个压缩映射函数定义域的数量是128K而值域的数量是 128K*(1-23%)99K。于是Apple和apple都会被映射到同一个x_t。于是t位置的token在N-gram下可以被记为在图1中假设Great是t位置的token在2-gram下the Great就是g_t,2 (x_the, x_Great)而在3-gram下的Alexander the Great就是g_t,3 (x_Alexander, x_the, x_Great)。4. Hashed N-grams就算是将字典从128K压缩到了99K还是很大g_t,2还是需要99K^2的最大表格行数。这个数字表达的是id1, id2的所有可能性但是实际上很多的组合是不存在的也就是说这么一个大表其实是非常稀疏的。但是事先明确哪些是稀疏又是非常困难的事情所以这里就用了hash哈希的方法来处理。图中的hash函数是一个lightweight multiplicative-XOR hash其返回值是z_t,n,k以此为行数到表格E中得到结果向量e_t,n,k。但是就这么一个hash函数就可以解决稀疏大表的问题吗另外公式中的k又是什么意思呢接下来继续讨论。5. Multi-Head Hashing为了解决单一哈希函数可能带来的冲突问题Engram采用了多哈希Multi-Hash机制。这类似于多头注意力中的‘头’但这里每个头对应一个独立的哈希函数。因为大表的稀疏性几乎没有概率碰到两个不同的输入其所有hash函数的输出都是相同的。当然多个hash函数也意味着多个Embedding表格实例。最后从多头表格中查到的所有向量都被concat在一起而且所有的N-gram也被concat在一起如下公式。至此图1中右侧的Hash、2-Gram、3-Gram和Concat都已经介绍完毕。只是图中用h来表示多头hashing的数量而在上面公式中用K来表示多个hashing的数量。6. Context-aware Gating基于N-Gram查表得到向量e_t后又如何和整句的意思联系在一起呢Engram中还有两个内容一是类似于attention的scaled dot product二是轻量级卷积层。论文后面的实验表示这个轻量级卷积层的作用不是很大removing the lightweight depthwise convolution only marginally degrades performance。6.1 scaled dot product在PyTorch中F.scaled_dot_product_attention是一个完整的注意力API包括对矩阵V的处理即softmax(QK^T/√d_k) * V。而在图1中scaled dot product表达的是两个向量的scaled点乘其结果再逐元素乘以第三个向量而这三个向量的含义可以用attention的三个矩阵QKV来类比。作为Engram模块输入的input hidden是t位置token的hidden state不妨记为h_t根据注意力机制的效果我们可以认为这h_t已经包括了整个句子的意思了这个假设也可以解释后面实验中说把Engram放到第一个transformer layer中的效果并不是最佳的可能这个时候还无法包含整个句子意思吧。h_t是一个向量可以类比为QKV矩阵中的Q。向量e_t经过两个不同linear层后分别得到两个新的向量k_t和v_t可以分别类比QKV矩阵中的K和V。此时k_t和v_t的shape就要和模型的hidden size保持一致了。再接下来对两个向量h_t和k_t做scaled点乘经过activation后得到一个[0,1]范围内的标量a_t如下公式所示。其中h_t是一个列向量转置后是一个行向量而k_t也是一个列向量行向量和列向量相乘后得到一个标量。这个公式的意思是如果从表格查询出来的向量和句子意思越相关即h_t和k_t越接近得到的a_t越接近1说明我们应该多使用查询结果否则得到的a_t越接近0说明我们应该少使用查询结果。所以用标量a_t逐元素乘以向量v_t最后得到v_t来完成这样的功能如下所示。6.2 轻量级卷积层前面讨论的参数中都带了一个下标t表示对位置t的token的处理。实际上LLM是对整个序列进行处理的。因此对于序列中的每个位置t我们都会得到一个向量v_t这些向量最终堆叠成矩阵V。Engram模块最后的轻量级卷积层对V使用了RMSNorm、深度因果卷积、SiLU activation和残差连接如下所示。在深度因果卷积中深度应该是对应hidden state中的每一个dim因此卷积前后的hidden size保持不变而因果则表示不卷积未来的token数据。7. U形曲线在Transformer layer中参数主要在MoE模块现在Engram模块有表格也有linear layer都需要参数那么应该如何分配参数呢在给定相同的TFLOPs和参数总量的情况下实验发现下面的U形曲线两条曲线对应不同的flops两条曲线的最低点坐标都在70%到80%之间这表示将参数的70%到80%分配给MoE模块20%到30%的参数分配给Engram模块最终的loss最小、效果最好。8. 系统实现存算解耦Engram模块的系统实现可如下图所示在training时候使用模型并行的办法将Egram中embedding table分切到多个GPU中在需要的时候用All-to-All来完成所有的查表操作。而在inference的时候在iteration一开始的时候就已经知道了所有的token id因此可以马上开始Engram的部分工作了包括查表操作所以表格可以放到cpu memory中而查表操作也可以由CPU完成在GPU完成前面Transformer layer计算工作的时候将CPU的查表结果传回GPU实现两者的overlap。9. 总结DeepSeek Engram本质上就是为Transformer增加了一个可学习的、条件化的N-gram查找表。它通过多哈希查表的方式直接查找连续几个token组合对应的向量让模型能直接“回忆”局部模式而非每次从头计算。最后使用一个门控机制让模型自己决定用不用这些信息。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2025 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取