BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·

MEOW: Memory Supervision for Large Language Models Based on Inverse Facts

💡 原文英文，约100词，阅读约需1分钟。
📝

内容提要

本文介绍了MEOW，一种新的记忆遗忘方法，用于解决大型语言模型记忆敏感信息的问题。MEOW通过生成反向事实和MEMO量化记忆，提高遗忘质量，同时不影响模型效能。它在自然语言理解和生成任务中展示了优势。

🏷️

标签

MEMO量化记忆 MEOW models 反向事实 记忆遗忘方法 语言模型
➡️

继续阅读

  1. DeepSeek-V4 模型结构（5）：宽度维度，DeepSeekMoE 的四个改动
    本文介绍DeepSeek-V4模型结构中MoE层的四处改动：路由打分从sigmoid改为sqrt(softplus)以消除饱和；前三层用固定hash ro...
  2. DeepSeek-V4 模型结构（4）：深度维度，mHC
    该文详解DeepSeek-V4的mHC残差结构：将单条残差流拓宽为4条，通过读、写、混三算子连接子层。为保稳定，混合矩阵被约束为双随机矩阵（非负、行和列和...
  3. DeepSeek-V4 模型结构（3）：序列维度（下），HCA、混合排布与零件
    本文详解DeepSeek-V4模型结构：HCA将128个token压缩为一条目，无需稀疏选择；CSA与HCA交错排布，确保全局信息不丢失；滑窗分支弥补压缩...
  4. DeepSeek-V4 模型结构（2）：序列维度（中），Lightning Indexer 与稀疏选择
    本文介绍DeepSeek-V4模型中的压缩稀疏注意力（CSA）机制。KV缓存每4个token压缩为一条，1M上下文仍有26万条目，故用lightning ...
  5. DeepSeek-V4 模型结构（1）：序列维度（上），从 MLA 到压缩 KV
    本文介绍DeepSeek-V4的注意力机制，从MHA到CSA/HCA的演进，重点分析压缩KV缓存的方法。V4将每4或128个token压缩为一条512维K...
  6. DeepSeek-V4 模型结构（0）：一张图看懂 DeepSeek-V4
    本文介绍DeepSeek-V4模型架构：Pro版总参数1.6T、61层，Flash版284B、43层，均采用4条残差流、交错CSA/HCA压缩注意力与Mo...
👤 个人中心
在公众号发送验证码完成验证