这篇文章介绍了一种名为 Engram 的新型大型语言模型模块，旨在通过引入条件内存（Conditional Memory）来解决传统 Transformer 在处理静态知识检索时的低效问题。研究团队发现，现有模型常需消耗多层计算来模拟简单的信息查找，而 Engram 能够通过 O(1) 复杂度的查表操作直接提取 $N-gram$ 知识。通过对稀疏分配问题的深入研究，作者揭示了神经计算与静态内存之间的 U型扩展法则，从而在保持计算量不变的情况下显著提升了模型性能。实验证明，该技术不仅增强了模型的知识检索能力，还在逻辑推理、代码编写及长文本处理等方面表现优异。此外，Engram 的确定性寻址特性支持从宿主内存进行高效预取，克服了 GPU 显存限制，为构建超大规模稀疏模型提供了高效的基础设施方案。