# MemoryAthena: Tối ưu hóa bộ nhớ AI thông qua định tuyến thích ứng giữa dữ liệu truy xuất và tạo mới

- Nguồn: Hugging Face Daily Papers
- Thời gian phát hành: 2026-09-24 07:00 (giờ Việt Nam)
- Điểm AI: 85/100
- Link AIHOT.vn: https://aihot.vn/items/4c89efbc0e40612c
- Link gốc: https://arxiv.org/abs/2609.25853

## Tóm tắt AI

MemoryAthena giới thiệu phương pháp kết hợp truy xuất bộ nhớ truyền thống với khả năng tự tạo nội dung, sử dụng bộ định tuyến thông minh để quyết định khi nào nên dùng dữ liệu gốc và khi nào cần bổ sung thông tin mới, giúp tăng độ chính xác cho mô hình.

## Thân bài

[Xem PDF](https://arxiv.org/pdf/2609.25853) [HTML (thử nghiệm)](https://arxiv.org/html/2609.25853v1)

> Tóm tắt: Các phương pháp bộ nhớ học tập (learned-memory) lưu trữ thông tin trong một bảng tường minh và truy xuất thông qua một trình đọc riêng biệt, cho phép việc đánh địa chỉ, lưu trữ và đọc được sửa đổi một cách độc lập. Chúng tôi nghiên cứu liệu bộ nhớ hữu ích có thể được tạo ra thay vì chỉ được truy xuất hay không. MemoryAthena sử dụng ba lộ trình: truy xuất Engram trực tiếp (E), tạo từ các gợi ý Engram được truy xuất (GE), và tạo từ các trạng thái xương sống nhân quả (causal backbone states) mà không cần tham chiếu bảng bộ nhớ (GH). Bộ nhớ được tạo ra có tính hữu ích tùy điều kiện: nó có thể bổ sung cho E trong ngữ cảnh này nhưng lại gây nhiễu trong ngữ cảnh khác. Do đó, MemoryAthena coi E là một mỏ neo và học cách xác định khi nào một biểu diễn được tạo ra nên can thiệp. Với xương sống, bộ nhớ, bộ tạo và trình đọc được đóng băng, một đầu định tuyến nhân quả (causal routing head) nhẹ được huấn luyện dựa trên các lợi thế về khả năng xảy ra của token tương lai phản thực tế (counterfactual future-token likelihood) của GE và GH so với E. Tại thời điểm suy luận, một ứng viên được chấp nhận sẽ sửa đổi phần dư E thông qua nội suy có giới hạn, trong khi việc từ chối sẽ khôi phục chính xác lộ trình trực tiếp. Trong tác vụ trả lời câu hỏi, MemoryAthena nâng mức trung bình của năm tác vụ từ 37,65 lên 39,28 so với lộ trình trực tiếp của cùng một checkpoint, trong khi mức trung bình của sáu tác vụ NLP tổng quát tăng từ 76,73 lên 79,13. Hệ thống phía bộ nhớ hoàn chỉnh chứa khoảng 201 triệu tham số, không bao gồm xương sống đã đóng băng. Các phân tích sâu hơn cho thấy thế mạnh bổ sung giữa E, GE và GH trên các tác vụ và đầu vào khác nhau. Những kết quả này ủng hộ bộ nhớ được tạo ra như một sự điều chỉnh có chọn lọc đối với việc truy xuất trực tiếp và nhấn mạnh việc định tuyến khi nào, cái nào và can thiệp mạnh đến mức nào là thách thức trọng tâm.

| Chủ đề: | Tính toán và Ngôn ngữ (cs.CL) |
| --- | --- |
| Trích dẫn là: | arXiv:2609.25853 [cs.CL] |
|  | (hoặc arXiv:2609.25853v1 [cs.CL] cho phiên bản này) |
|  | https://doi.org/10.48550/arXiv.2609.25853 DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký) |

### Lịch sử gửi bài

Từ: Mingyuan Li [xem email](https://arxiv.org/show-email/1f082236/2609.25853)] [v1] Thứ Ba, 22 tháng 9 năm 2026 08:17:43 UTC (2.266 KB)