---

license: other license_name: qwen-research language:

• en pipeline_tag: text-generation base_model: Qwen/Qwen2.5-3B tags:
• chat library_name: transformers

---

AHN: 用于高效长上下文建模的人工海马体网络

简介

人工海马体网络（AHN）将无损记忆转换为固定大小的压缩表示，以实现高效的长上下文建模。无损记忆（例如注意力机制的键值（KV）缓存）存储精确的输入信息，但会随序列长度增长，导致长序列处理效率低下。相比之下，压缩记忆（例如循环神经网络（RNN）的隐藏状态）保持恒定大小，并为每个输入标记提供固定的计算成本，但其代价是信息损失。为了兼顾两种记忆类型的优势，AHN持续将滑动注意力窗口外的无损记忆转换为压缩形式。AHN可通过任何类RNN架构实现。然后，模型整合两种记忆类型以在长上下文中进行预测。

本仓库包含AHN的模型权重。有关安装、使用说明和更多文档，请访问我们的GitHub仓库。

方法

**(a)** 增强有人工海马体网络（AHN）的模型示意图。在此示例中，滑动窗口长度为3。当输入序列长度小于或等于窗口长度时，模型的运行方式与标准Transformer完全相同。对于更长的序列，AHN持续将窗口外的标记压缩为紧凑的记忆表示。然后，模型利用窗口内的无损信息和压缩记忆来生成下一个标记。**(b)** 基于开源权重大型语言模型（LLM）的AHN自蒸馏训练框架。训练过程中，基础LLM的权重被冻结，仅训练AHN的参数。

模型库

基础模型	AHN 模块	参数数量	检查点（仅含 AHN）
Qwen2.5-3B-Instruct	Mamba2	11.9M	🤗model
Qwen2.5-3B-Instruct	DeltaNet	11.8M	🤗model
Qwen2.5-3B-Instruct	GatedDeltaNet	13.0M	🤗model
Qwen2.5-7B-Instruct	Mamba2	18.6M	🤗model
Qwen2.5-7B-Instruct	DeltaNet	18.5M	🤗model
Qwen2.5-7B-Instruct	GatedDeltaNet	21.3M	🤗model
Qwen2.5-14B-Instruct	Mamba2	51.4M	🤗model
Qwen2.5-14B-Instruct	DeltaNet	51.1M	🤗model
Qwen2.5-14B-Instruct	GatedDeltaNet	61.0M	🤗model

评估

LV-Eval 与 InfiniteBench 结果

LongBench 结果

联系方式

• 方允豪：yunhao.fang@bytedance.com
• 余伟豪（通讯作者）：weihao.yu@bytedance.com

引用

BibTeX 格式：

@article{fang2025artificial,
  title={Artificial hippocampus networks for efficient long-context modeling},
  author={Fang, Yunhao and Yu, Weihao and Zhong, Shu and Ye, Qinghao and Xiong, Xuehan and Wei, Lai},
  journal={arXiv preprint arXiv:2510.07318},
  year={2025}
}