热点事件持续更新
研究揭示大语言模型工作记忆存在干扰下的读出瓶颈
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
2026年10月16日，arXiv发布的一项研究指出，大语言模型（LLM）在N-back任务中的工作记忆瓶颈源于干扰下的信息读出，而非定位困难。研究团队在3个家族涵盖70M至14B参数的15个预训练LLM及极简Transformer上进行了实验。结果显示，模型在未命中时注意力头仍大多指向目标，且线性探测能近乎完美地区分目标与诱饵位置。此外，实验表明抑制非目标项的字母身份可提升敏感度d'，证明大语言模型的工作记忆限制与人类记忆的干扰理论相一致。
AI 根据报道生成 · 10 小时前更新
最新进展10月16日 12:00
研究发现大模型工作记忆瓶颈源于干扰下的读出而非定位，抑制非目标项可提升敏感度。报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv 机器学习大语言模型在工作记忆中存在共同的读出瓶颈
研究发现大语言模型（LLM）在 N-back 任务中的工作记忆瓶颈源于干扰下的信息读出而非定位困难。在 3 个家族涵盖 70M 至 14B 参数的 15 个预训练 LLM 及极简 Transformer 上的实验显示，注意力头在未命中时仍大多指向目标，线性探测能近乎完美区分目标与诱饵位置。抑制非目标项的字母身份可提升敏感度 d'，表明 LLM 的工作记忆限制与人类记忆的干扰理论一致。
本事件热度走势
当前热度 8·可比范围峰值 10（10月16日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。