English(EN) Lngram v2: Latent N-Gram Memory with Interpretable Discrete Representations

Lngram v2 通过可解释的离散表示增强Transformer的记忆能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-04 04:00

研究人员推出了Lngram v2，这是为Transformer设计的潜在N-gram记忆的最新进展。新版本将记忆容量与主干宽度解耦，实现了独立扩展，并降低了与前代Lngram v1相比的计算成本。Lngram v2在包括一个30B参数模型在内的各种视觉-语言模型上展示了持续的性能提升，同时还提供了保留语义结构的、可解释的离散表示。 AI

影响为大型Transformer模型提供了一个更具可扩展性和可解释性的记忆机制，有望提高效率并实现对模型内部更深入的分析。

排序理由详细介绍Transformer记忆新技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍Transformer记忆新技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Yunao Zheng, Bin Wen, Xiaojie Wang · 2026-09-04 04:00

Lngram v2：具有可解释离散表示的潜在N-gram记忆

arXiv:2609.03426v1 Announce Type: new Abstract: Transformers lack a native lookup mechanism, requiring repeated dense computation to recognize and reuse local static patterns. Lngram v1 introduces tokenizer-independent conditional memory through discrete latent n-gram addressing,…

本文如何被排名

报道来源 [1]

Lngram v2：具有可解释离散表示的潜在N-gram记忆

相关实体

相关话题