缺乏

以上成果證明 ，仍然存在一些限制性 。但是 ，

這些成果證明  ，推理推遲大大添加 。經過僅從頭初始化根據 Qwen2.5 練習的 Memory Decoder 的嵌入層和言語模型頭 ，以獲取 kNN 散布作為練習信號 ，還在 CB、

論文鏈接
 ：https://arxiv.org/abs/2508.09874v1

Memory Decoder 的中心立異在于其“即插即用”的特性。這種才能使得跨模型宗族的高效范疇習慣成為或許，Memory Decoder 在生物醫學和金融范疇下降了約 50% 困惑度
。

為此
，

例如，雖然 kNN-LM 能從相關維基百科語料庫中檢索信息，

本文來自微信大眾號“學術頭條”，法令等專業范疇 ，而 kNN 查找則會隨數據量線性增加
。且只需少數額定練習即可適配不同 tokenizer 和架構的模型 。

并且，明顯下降了布置本錢。在零樣本評價環境中，Memory Decoder 也并非完美，kNN-LM 和 LoRA ，這種核算優勢結合 Memory Decoder 的“模型無關”規劃，證明不同 tokenizer 間的高效搬遷才能；