arXiv 提出 Delta N-gram：仅前向写入模型原生 N-gram 记忆
原文标题：Delta N-gram: Forward-Only Continual Writing into a Language Model's Native N-gram Memory
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 Delta N-gram，将新证据写入预训练哈希 N-gram 表的稀疏补丁而不改动原表，写入只需前向计算，清除补丁即可恢复原模型。0.6B 原型在第二次写入后仍保留 16/16 事实，而在线梯度写入仅保留 2-4/16；在 Qwen3.8-Flash-Next 上 delta writer 的记忆更具文档特异性，抗干扰保留率 70% 对 54%。
- 问题
- 持续写入新知识时，如何不破坏预训练模型的原始参数。
- 方法
- 在预训练哈希 N-gram 表上叠加稀疏补丁，仅用前向计算写入，清除补丁即可回滚。
- 结果
- 0.6B 原型二次写入后保留 16/16 事实，在线梯度写入仅 2-4/16；抗干扰保留率 70% 对 54%。
- 影响
- 为模型知识更新提供可逆、低成本的前向写入路径，替代易遗忘的梯度微调。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Delta N-gram 用前向写入的稀疏补丁更新原生 N-gram 表，0.6B 原型二次写入后保留 16/16 事实，在线梯度仅 2-4/16
- •预训练哈希 N-gram 表 T^0 永不修改，新证据写入其寻址行上的稀疏补丁 Δ，清除补丁即恢复原模型
- •写入器仅 4.1M 参数，为每个（位置、哈希头）事件输出目标与门控，块平均 delta 规则保持每行为旧值与门控目标的凸组合
- •0.6B 原型第二次写入后保留 16/16 事实，在线梯度写入仅保留 2-4/16
- •Qwen3.8-Flash-Next 上 delta writer 记忆更具文档特异性，抗干扰保留率 70% 对 54%
- •在先前七任务链上累计超 35,000 次写入，两种写入器均保持稳定
为什么重要：持续学习的关键矛盾是更新新知识又不破坏基座；该工作把写入成本降到纯前向且可逆，对需要频繁注入事实、又要求可回滚的部署场景有直接参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。