超越单体参数：大语言模型的重构记忆、可执行技能与残差装配

研究提出受有限元方法启发的 FEM-ASM 架构，将大语言模型的上下文计算、持久存储与确定性可执行技能解耦，并通过残差算子协调各提案。实验中，版本化存储在约 17 亿浮点值预算下包含 52,809 个重构记忆元素，token 重构准确率约为 75%，且位置结果观察显著改善了可执行算术的神经渲染。该研究验证了分离存储、执行与神经协调的可行性，同时指出了端到端效率等局限。