音乐初创公司Thoughtful Things为采样器Engram发起众筹。该设备本地运行定制小型AI模型，可扭曲音频并生成幻觉般的新声音，面向实验音乐创作，而非一键生成歌曲。固件将开源，支持加载自定义模型。众筹价675美元起，零售价预计850至900美元。

DeepSeek与阿里通义推出Engram/N-Gram记忆模块，为Transformer增加“记忆硬盘”，将固定知识查找从计算中分离，提升推理效率。实验显示性能提升，但社区测试发现其擅长短语补全而非事实回忆，且DeepSeek V4未采用Engram。该技术尚处探索阶段，可能改变AI竞赛格局。

Engram是一款基于心理学和神经科学的学习插件，支持DeepSeek Harness等八个AI编程平台。它通过概念图分解主题、先预测后教学、盲审评估和FSRS间隔复习，帮助人类真正记住知识，而非增强AI记忆。核心命令包括/learn、/review和/coach，强调科学方法，拒绝流行迷思，纯本地运行。

Engram是DeepSeek与北大联合开源的知识查找模块，旨在提升大模型的记忆与效率。尽管在DeepSeekV4中未出现，Engram的理念和应用仍在发展。研究表明，Engram通过优化Transformer结构，提升了模型的推理能力和知识检索效率，显示出在内存管理和视觉任务中的潜力。

DeepSeek与北大团队推出的Engram系统，通过分离静态知识存储与动态推理，实现O(1)查找效率，降低了对昂贵GPU内存的需求。这一创新在普通DRAM中存储大量知识，提升了大模型的性能和成本效益，尤其对中国AI公司具有重要意义。

基因组基础模型Gengram通过k-mer哈希记忆机制显著提升基因组功能任务的性能，避免了传统模型的低效率，直接存储碱基序列，优化训练过程，提高预测准确性，推动基因组建模向更高效、可解释的方向发展。