Memory3
鄂维南院士领衔新作：大模型不止有RAG、参数存储，还有第3种记忆
2.4B 的 Memory3比更大的 LLM 和 RAG 模型获得了更好的性能。近年来，大型语言模型 (LLM) 因其非凡的性能而获得了前所未有的关注。然而， LLM 的训练和推理成本高昂，人们一直在尝试通过各种优化方法来降低成本。本文来自上海算法创新研究院、北京大学等机构的研究者受人类大脑记忆层次结构的启发，他们通过为 LLM 配备显式记忆（一种比模型参数和 RAG 更便宜的记忆格式）来降低这一成本。从概念上讲，由于其大部分知识都外化为显式记忆，因而 LLM 可以享受更少的参数大小、训练成本和推理成本。论文地址：
院士领衔推出大模型的第 3 种记忆：比参数存储和 RAG 都便宜，2.4B 模型越级打 13B
给大模型加上第三种记忆格式，把宝贵的参数从死记硬背知识中解放出来！中科院院士鄂维南领衔，上海算法创新研究院等团队推出 Memory3，比在参数中存储知识以及 RAG 成本都更低，同时保持比 RAG 更高的解码速度。在实验中，仅有 2.4B 参数的 Memory3 模型不仅打败了许多 7B-13B 的模型，在专业领域任务如医学上的表现也超过了传统的 RAG 方法，同时推理速度更快，“幻觉”问题也更少。目前相关论文已上传到 arXiv，并引起学术界关注。知识按使用频率分类这一方法受人脑记忆原理启发，独立于存储在模型参数
- 1