ChatGPT真能记住你的话吗？DeepMind与开源大佬揭示LLM记忆之谜

1,210 0 0

文章摘要

在探讨大型语言模型（LLM）的记忆能力时，Simon Willison指出，尽管LLM看似具备记忆功能，实则它们在推理时并不能记住任何信息，本质上是无状态函数。用户感受到的“记忆”实际上来自于对话上下文的连续提供。这种设计使得模型在面对错误或偏差时，可以通过重置对话来恢复“正轨”。上下文长度的限制使得模型只能保有有限的“工作记忆”。

然而，在训练过程中，LLM表现出不同的记忆特性。DeepMind的最新研究发现，模型能够逐字逐句地输出训练数据，表明训练过程中的记忆不仅仅是简单的复制，而是以某种方式集成在模型的参数中。研究发现，模型参数量越大，记住的训练数据越多，且某些单词更易触发模型回忆训练数据。这既可能反映模型的记忆能力差异，也可能是由于辅助数据集的偏差。

此外，文章提出，为LLM提供外部记忆能力的方法，如直接提供历史对话、递归总结对话内容、使用矢量数据库等，可以在长期和短期记忆之间取得平衡。文章最后提出思考：若改进LLM的记忆方式，使其能更抽象地存储训练数据，是否能够进一步提升模型的能力？这暗示了当前模型记忆机制仍有“机械化”成分，而未来研究或许能在这方面取得突破。