EngramEdit：通过条件记忆实现 LLM 的解耦式知识更新

论文针对条件记忆架构（如 DeepSeek Engram）提出 EngramEdit，用于在保持 Transformer 主干固定的前提下更新事实知识。方法先计算目标记忆表示，使模型在多种事实表达下预测更新后的内容，再联合更新共享 n-gram 嵌入以匹配这些目标，并加入惩罚项抑制对其他事实预测的意外改变。摘要未披露具体实验规模与效果指标。

AI推荐理由 提出 EngramEdit，在条件记忆架构（如 DeepSeek Engram）上实现解耦式事实知识更新：先计算目标记忆表示使模型在多种表达下预测更新后的事实，再联合更新共享 n-gram 嵌入并施加惩罚。对知识编辑与模型可维护性有直接价值，但摘要未给出实验规模与效果数据，需保留不确定性。