Dear Developer：

见字如面

 

前几天， DeepSeek V4，刷屏了。

很多人还在讨论：性能提升了多少、上下文长度增加了多少。

但在技术圈，大家更加关注

这一版本，V4不再追求“更大”，

模型正在尝试把“记忆”从参数里拆出来。

那意味着

我们熟悉的那套扩展逻辑，可能要变了。

 

今天的大语言模型，本质上都在做一件事：

把知识“压缩”进参数里。

就像把整个图书馆塞进一个人脑子里——

你确实知识渊博了，计算推理的负担也越来越重了。

于是，一个核心矛盾开始显现：

一边是能力在涨，另一边却是算力在“失控”。

 

有没有可能，把“记忆”和“思考”分开？

就好像给模型外挂“九九乘法表”

需要的时候直接调用，而不是从头推导。

 

这个思路背后，有一个关键词：FlagOS+Engram

它尝试做一件看起来很简单、但其实很颠覆的事情：

• 把“记忆”从模型参数里“拿出来”，
• 变成一个可以独立扩展、随用随取的系统。

换句话说——

模型负责“思考”，

记忆系统负责“存储”。

 

但真正的难点，从来不是“想法”

一旦落到工程层面，问题才刚刚开始：

• 怎么在不改动原有模型的情况下接入？

• 多卡、多芯片环境下，怎么高效调度？

• 超大规模记忆，怎么避免通信成为瓶颈？

这些问题，才是真正把“想法”变成“现实”的关键。

 

一次完整的工程落地，正在发生

这次直播，我们不会停留在概念层面

 

FlagOS 社区带着一套开箱即用的“魔法”来了

 

👉 打造专属并行解耦方案，破解传统Allreduce+张量并行(TP)性能瓶颈

👉 基于异步预取与计算重叠技术，降低Engram 对训练主路径影响

👉对优化器状态采用精细化分级卸载策略，有效解决显存溢出

 

更重要的是—— 这一切，并不是“推倒重来”， 而是在现有体系上，一步步演进出来的结果。

 

也许，这不只是一次技术升级

 

如果你也在思考——

下一代大模型，究竟该往哪里走？

这场直播，或许会给你一个不一样的答案。

周四见！