Meta推大模型记忆增强方法MemWalker 靠prompt就能完成，无需额外训练

　　一项名为MemWalker的新技术，使大型语言模型能够克服其窗口长度的限制，从而可以处理更长的文本并回答相关问题，而无需进行额外的训练。这一技术的开发团队使用了一种树形记忆策略，该策略的工作原理包括两个主要阶段:记忆树构建和导航检索。

　　在记忆树构建阶段，长文本被分割成多个小段，每个小段都由大型语言模型进行总结，形成了"叶子节点"和"非叶节点"。这些叶子节点包含原始信息，而非叶节点只包含概括信息。非叶节点用于定位答案所在的叶子节点，而叶子节点用于推理出答案。整个过程是逐步的，从叶子节点到非叶节点，直到建立完整的树形结构。

　　导航检索阶段涉及从根节点开始，逐一读取下一级子节点的内容，然后推理出是否继续前进或返回。这个过程一直持续，直到找到合适的叶子节点生成答案或达到最大步数。如果模型发现进入了错误的路径，还可以进行导航回退。此外，MemWalker还引入了工作记忆机制，将已经访问的节点内容加入到当前内容的上下文中，以提高准确度。

　　重要的是，整个过程只依赖于prompt，不需要进行额外的训练。理论上，只要有足够的算力，MemWalker可以处理无限长的文本，但记忆树构建时的时间和空间复杂度会随着文本长度的增长呈指数型增加。这一技术的发展由普林斯顿大学NLP实验室的华人博士生Howard Chen领衔，得到了导师陈丹琦和Meta AI实验室的学者的参与。整个研究成果使大型语言模型在处理长文本方面迈出了重要一步。