浙大与阿里联手破解AI记忆难题：大模型如何像人一样"背诵"知识？

最近读到一篇很有意思的论文，由浙江大学和阿里巴巴团队合作完成，于2026年5月28日以预印本形式发布（编号arXiv:2605.30260）。如果你对背后的计算细节感兴趣，可以直接去arXiv上翻翻看。

先讲个有意思的类比：你肯定有过背课文的经历——感觉已经滚瓜烂熟了，心里觉得“稳了”，结果真正开口时，偏偏在某一个词上卡壳，然后整段话像多米诺骨&牌一样全面崩塌。有趣的是，大模型也面临着几乎一模一样的困境。这篇研究，就是认认真真地拆解这个问题：它到底是怎么“背”东西的？又为什么会偏偏选在某个关键位置翻车？

现在大家都用ChatGPT、文心一言这类大模型，它们的知识在训练过程中被“固化”到模型参数里，就好像一本百科全书被压缩进神经网络。但问题来了，现实世界的知识在持续更新——新药上市了、法规修订了、产品迭代了……要每次都把整个模型重新训练一遍，成本高得吓人。于是研究者们搞出了LoRA这项技术。你可以把它理解为给大模型插一张“知识扩展卡”：只训练这张小卡片，不动原始模型，就能让它学会新知识。便宜、快速、灵活，所以应用非常广。

不过，一个核心问题始终没人认真回答：这张“知识扩展卡”到底能装下多少东西？它是按什么规律运作的？当它说“记住了”，是真的记住了吗？

浙大和阿里团队决定用科研的方式认真丈量这件事。他们把LoRA当作一个精密的测量探针，系统性地探查它的记忆边界与内在机制，最终交出了三项原创成果：一条描述记忆能力边界的“参数记忆定律”，一个揭示记忆成功与失败分界线的“确定性相变”理论，以及一种能让记忆效率大幅提升的新训练方法——MemFT。

一、给AI装“知识扩展卡”：LoRA到底长什么样

要搞清楚这项研究，得先弄明白LoRA是怎么工作的。大模型的参数就像高楼里密密麻麻的管道——改任何一根都可能牵动全局，代价极高。LoRA的思路很巧妙：不改原来的管道，而是在旁边并联一条细细的支路，让新知识通过这条支路流动。这条“支路”由两个小矩阵（记作A和B）组成，它们相乘后形成一个低秩的修正量，叠加到原来的输出上。整个训练过程只动这两个小矩阵，原始模型完全不动。

这里有个关键参数叫“秩”（rank，用字母r表示）。秩越大，这条支路就越“宽”，能装载的信息越多，但需要训练的参数也越多。就好比背包——容量越大，能装的东西越多，但背包本身也更沉。研究团队正是通过调节这个“背包大小”，来系统性地探索记忆的边界。

实验任务的设计也相当精巧：给模型一个“问题”作为触发键，要求它精确复现对应的“答案”。答案只能从模型自身的参数中提取，不能靠外部检索。这就像把一本书的内容硬编码进大脑，然后合上书本，仅凭记忆一字不差地背出来——这就是研究定义的“精确参数记忆”。

二、记忆的物理定律：参数越多记得越多，但有代价

研究团队设计了两种测试场景。第一种叫“长文本记忆压力测试”：把一段长文本中的部分词汇随机替换成乱码，替换比例从0%到100%，制造出从“完全有意义的自然文本”到“完全随机的乱码序列”的各种难度梯度，然后让模型精确记忆。第二种叫“电话簿测试”：让模型记忆大量“姓名→电话号码”这样的键值对，考查高密度短序列记忆能力。他们在两款8B规模的模型（Qwen3和Llama3.1）上，针对不同的LoRA秩r和序列长度l，做了大规模扫描实验。

当实验数据被画在坐标图上时，出现了一个非常整齐的现象：在双对数坐标系中（两个坐标轴都取对数），所有数据点几乎完美地排列在一条直线上。这意味着，“损失减少量”（即模型记忆效果的提升幅度）与LoRA秩和序列长度之间，存在一种干净的幂律关系。

他们把这个规律命名为“参数记忆定律”，公式表达为：ΔL = C · r^α · l^(–β) + b。用大白话说就是：模型的记忆增益（ΔL）随着LoRA的秩（r）增大而增大，随着需要记忆的文本长度（l）增大而减小，而且这两种关系都不是简单的线性关系，而是幂律关系。其中，α叫“容量指数”，描述秩的提升对记忆能力的放大效果；β叫“长度惩罚指数”，描述文本越长记忆难度增加有多快；C是一个与模型和数据特性有关的常数。

更让人印象深刻的是，这条规律的拟合效果极好。研究团队用R²（决定系数，满分1.0代表完美拟合）和MAPE（平均绝对百分比误差，越低越好）来衡量，结果在所有测试场景下R²均超过0.98，MAPE也保持在很低水平。无论是纯自然语言文本、完全随机的乱码，还是结构化的电话簿数据，同一条公式都能准确描述记忆行为。这就像发现了一条“记忆的物理定律”——和物理学中的质能方程E=mc²一样，用简洁的公式统一描述了表面上千差万别的现象。

这条定律告诉我们几件重要的事情：第一，记忆能力的提升是有边界的，不是无限叠加秩就能无限记忆；第二，文本越长，记忆所需的参数量呈幂律上升，代价越来越高；第三，这条规律对不同的模型和数据类型都成立，说明它反映了某种深层的普遍机制，而不是特定模型的偶然现象。

三、平均分的谎言：损失低了，不代表真的记住了

发现了参数记忆定律之后，研究团队又注意到了一个令人困惑的现象：有时候，模型的平均损失（一个衡量“预测准确程度”的指标，损失越低说明预测越准）已经降到了接近零，理论上应该记得很好了，但实际让它背出来，却基本上一塌糊涂，准确率趋近于零。

这是怎么回事？还是用背课文打比方。假设一篇课文有100个字，其中99个字你都能流利背出，但有一个字每次都卡壳。如果用“平均得分”来衡量，99%的准确率听起来相当不错。但背课文是一个连贯的过程——你在那个字上卡壳，后面的内容就全乱了，实际效果是整段背诵失败。大模型的文本生成也是同样的道理：它是一个字一个字往后生成的，一旦某个位置预测错了，错误会传染给下一个字，然后一错再错，整段输出就崩掉了。这个现象被命名为“损失-准确率错位”。

研究团队深入分析了每个位置的预测概率（即模型认为“这个位置应该是这个字”的概率有多大）。他们发现，文本中总有一小部分位置，不管把LoRA的秩调得多高，这些位置的预测概率就是提不上去，始终低于0.5。他们把这些位置叫做“顽固token”。

更关键的发现来了：这些顽固位置，正好是整段文本背诵失败的根源。研究团队统计发现，第一个顽固位置出现的位置，与实际背诵时第一个出错位置之间的相关性高达斯皮尔曼ρ = 0.908——这是一个极高的相关系数，意味着只要找到第一个顽固位置，就几乎能精准预测背诵会在哪里失败。更有意思的是，这些顽固位置高度集中：在一组实验中，位置153这一个点就贡献了全部失败案例的28%。可见这种脆弱性是极度局部化的，而不是均匀分散的。

四、0.5这条线：记忆成功与失败的分水岭

发现了顽固token的存在之后，研究团队进一步追问：有没有一个清晰的临界点，能够明确区分“记住了”和“没记住”？

答案正是那个预测概率0.5。

道理其实很简单。大模型在生成文本时，用的是“贪心解码”——在每个位置，选择概率最高的那个词作为输出。如果正确答案的预测概率超过0.5，那么它一定是概率最高的那个词（因为所有其他词加起来的总概率不超过0.5，单独来看没有哪个词能超过0.5），所以贪心解码一定会选择正确答案。反过来，如果正确答案的概率低于0.5，那就意味着存在其他候选词有更高的胜出可能性，正确答案随时可能被错误答案取代。

从损失值的角度看，预测概率0.5对应的交叉熵损失值恰好是ln(2)≈0.693。于是，这条0.693的损失线，就成了记忆状态的分界线：高于这条线（即预测概率低于0.5），是“无序相”，记忆处于混沌状态，随时可能失败；低于这条线（即预测概率高于0.5），是“有序相”，记忆处于稳定状态，在贪心解码下可以保证精确输出。

这个发现有一个非常漂亮的实践意义：它解释了为什么参数记忆定律需要排除那些“已经饱和”的样本——具体来说，排除损失已经低于0.69的样本。因为这些样本已经处于有序相，再继续分析它们的记忆增益，会干扰对整体规律的观察。这个数值0.69，是从理论推导中自然浮现出来的，而不是人为设定的。两个独立的分析路径（经验规律和理论推导）殊途同归，相互印证，使得这个结论格外可靠。

五、MemFT：把训练预算用在刀刃上

有了对记忆机制的深刻理解，研究团队顺理成章地提出了一种更好的训练方法——MemFT（Memorization-oriented Fine-Tuning，面向记忆的微调）。

传统的SFT（监督微调）在训练时，对所有位置的词一视同仁，每个位置都分配同样的“学习力气”。但这其实很浪费：那些已经学得很好、预测概率远超0.5的词，根本不需要继续强化；而那些顽固词——预测概率始终低于0.5的位置——才是需要集中火力攻克的对象。把力气平摊给所有词，相当于把大部分资源浪费在了“已经会的”上面，而真正需要帮助的地方却没有得到足够关注。

MemFT的核心思路是：只对预测损失仍然高于临界值0.693的词施加训练梯度，那些已经过关的词就直接跳过。这样，有限的训练预算就能精准地集中在最薄弱的环节上。

研究团队在此基础上设计了两个版本。第一个版本叫MemFT-OT（仅阈值版），实现非常干净：凡是损失超过临界值的词就计入损失，低于临界值的词直接忽略，没有任何额外的超参数。第二个版本叫MemFT-SW（自适应滑动版），在MemFT-OT的基础上增加了两种精细化机制。

第一种机制叫“样本内空间滑动”。当模型在某个位置出错时，该机制会找到第一个出错的位置作为“锚点”，然后用指数衰减的方式加强对锚点附近区域的关注，让训练重点聚焦在错误刚刚发生的上下文中。这有点像语文老师改作文时，在你写错的地方重点标注，而不是把全篇每个字都平均地细看一遍。如果这个锚点长期没有进步、一直卡在同一个位置，训练窗口会自动扩大，增加覆盖范围，防止陷入僵局；一旦锚点前进了，窗口重置，重新聚焦新的弱点。

第二种机制叫“批次间时序课程”。这是一种渐进式的训练策略：训练初期只处理最简单、最短的样本，随着训练推进，逐渐引入更复杂、更长的样本。这就像读书时先学简单的词，再学复杂的句子，最后才读长篇文章——循序渐进，让模型先在简单任务上建立信心，再挑战更难的内容。

六、实验结果：MemFT的实际效果如何

研究团队在两个模型（Qwen3-8B和Llama3.1-8B）上，用SFT、MemFT-OT和MemFT-SW三种方法做了系统对比实验。

在长文本记忆压力测试中，一个有趣的规律出现了：当LoRA的秩比较小（资源有限）时，MemFT-SW的表现更好，因为它的精细化滑动机制能在有限资源下最大化地攻克顽固位置；当秩比较大（资源充裕）时，MemFT-OT反而表现更为突出，它以更直接的方式快速把所有顽固词拉过0.5这条线，在Llama模型的最高秩配置下甚至达到了100%的完美记忆准确率。

在电话簿测试（短序列精确键值对记忆）中，MemFT-SW在几乎所有秩的配置下都保持着稳定的领先，在相对较低的参数预算下就能率先达到100%的精确匹配准确率，而标准SFT在低参数预算下往往无法做到完美记忆。

两种MemFT变体在总体上都显著超越了标准SFT，印证了“把训练预算集中在最薄弱环节”这一思路的有效性。

研究团队还做了一个额外的实验，探究MemFT是否只是擅长死记硬背，却牺牲了理解和泛化能力。他们设计了一个“线性规律学习”基准：让模型学习一个数学函数f(x,y)=3x+5y+7，用500个训练样本训练后，在100个“见过的样本”（测试记忆）和100个“没见过的新样本”（测试泛化）上分别评估。结果发现，MemFT在记忆任务上大多与SFT相当，但在泛化任务上的准确率比SFT高出7%到15%。研究团队认为，这是因为MemFT减少了对“已经会的”内容的过度强化，从而避免了模型过于僵化地记死某些内容，反而让它在新情况下更灵活。

七、这些研究意味着什么：精确记忆的价值

研究团队列举了许多需要“精确参数记忆”的实际场景。这类场景的共同特征是：任何一个字符的错误都会导致严重后果。个人账号密码、法律条文的精确措辞（例如欧盟GDPR第5(1)(a)条的原文）、医疗编码（如ICD-10诊断代码E11.9）、模型水印字符串、云服务配置端点、LaTeX数学公式源码、软件激活密钥……这些场景下，“大概记住了”远远不够，必须一字不差。

这项研究的意义在于，它不仅揭示了LoRA参数记忆的边界和机制，更提供了一套可操作的工具：用参数记忆定律预测在给定秩和文本长度下能达到的记忆效果，用相变理论诊断模型在哪个位置存在脆弱点，用MemFT训练方法在相同参数预算下取得更高的记忆保真度。

研究团队也坦诚地指出了研究的局限性。目前的实验都集中在8B规模的模型上，参数记忆定律在更小或更大规模的模型上是否同样成立，还有待验证。0.5的相变阈值是针对贪心解码推导出来的，如果使用随机采样等其他解码方式，这个临界值可能需要重新计算。此外，对泛化能力的分析目前还比较初步，没有全面评估MemFT对开放式推理等更广泛能力的影响。

归根结底，这项研究做的事情是：把“AI到底能记住多少东西、是怎么记的、为什么记不住”这样一个长期模糊的问题，用严格的实验和干净的理论给出了系统性的回答。它就像给AI的记忆能力做了一次全面的体检，不仅测出了“容量上限”，还找到了那个让整段记忆崩溃的关键脆弱点，并给出了针对性的强化方案。

对于普通用户来说，这项研究的影响可能不会立刻显现在你每天使用的AI产品上，但它为未来更可靠的AI知识更新奠定了基础。你在日常生活中越来越依赖AI帮你处理精确信息——无论是查询正确的药物剂量、生成准确的合同条款，还是记住你的偏好设置——背后需要的，正是这种能够精确、稳定、可验证地存储和提取信息的参数记忆能力。这项研究迈出了理解和改善这种能力的重要一步。

如果你对这个话题感兴趣，可以在arXiv平台搜索编号2605.30260找到完整论文，里面包含大量详细的实验数据和推导过程。

Q&A

Q1：参数记忆定律是什么，它有什么实际用处？
A：参数记忆定律是研究团队发现的一条幂律公式，描述了LoRA微调时“记忆增益”与LoRA秩（参数量）和文本长度之间的关系：秩越大、文本越短，记忆效果越好，而且这种关系在不同模型和不同类型数据上都高度一致，R²超过0.98。实际用处在于，它让我们可以在训练之前就预测：给定多少参数、面对多长的文本，大约能达到什么程度的记忆效果，从而更合理地规划资源。

Q2：为什么平均损失很低但模型还是背不出来？
A：因为大模型是一个字一个字顺序生成的，某些特定位置（顽固token）的预测概率始终低于0.5，意味着在那个位置正确答案输出的概率不占多数，很容易被错误答案取代。一旦某个位置出错，后续所有位置的预测都会受到影响，像多米诺骨&牌一样连续出错。平均损失低只是因为大多数“容易”的位置都预测准确，但这些少数几个顽固位置却足以让整段输出完全崩溃。

Q3：MemFT与普通微调相比到底好在哪里？
A：普通SFT对所有位置的词分配同等训练力度，大量资源浪费在了那些“已经学会”的简单词上。MemFT的核心改进是：只对预测损失仍高于临界值0.693（对应预测概率低于0.5）的词集中施加训练，跳过已经学好的词。这样有限的训练预算就精准地投向最薄弱的环节。实验表明，MemFT在相同参数预算下能达到更高的记忆准确率，在低秩（参数少）的情况下优势尤为明显，而且并不损害模型的泛化能力，反而略有提升。