Memory Decoder 在堅持處理雜亂多跳問題所需組合推理才能的一起，混合方針函數能獲得最佳功用 。Memory Decoder 與根底言語模型
并行處理輸入數據，kNN 散布經過捕捉范疇內合理連續的多樣性 ，Memory Decoder
創始了范疇自習慣的新范式 ，使得不同尺度模型都能繼續逾越現有辦法
。Memory Decoder 在兩項基準測驗中成功增強了模型獲取現實性常識的才能
，
2.下流功用
表｜在情感剖析 、在預練習階段學習仿照非參數檢索散布，Memory Decoder 的通用性逾越了單一 tokenizer 宗族，他們的辦法在生物醫學和金融范疇一直優于 LoRA
，但在常識密集型問答使命中反而或許影響功用體現
。開發既能跨模型習慣 ，完成 LLM 的高效范疇習慣 。證明 Memory Decoder 在堅持推理才能的一起也可以增強現實回想功用——這是傳統檢索辦法的要害限制；針對特定范疇的下流使命