Memory Decoder论文总结与关键部分翻译一、论文主要内容总结1. 研究背景与问题大型语言模型（LLMs）在通用语言任务中表现出色，但在特定领域（如生物医学、金融、法律）的适配仍面临挑战：领域自适应预训练（DAPT）：需全参数训练，计算成本高，且易导致“灾难性遗忘”（模型通用能力下降）。检索增强生成（RAG）：虽无需修改模型参数，但推理时需进行昂贵的近邻搜索，且处理长上下文会引入显著延迟。2. 核心方案：Memory Decoder（MemDec）提出一种即插即用的预训练记忆模块，通过小型Transformer解码器实现高效领域适配，无需修改原始LLM参数，核心设计包括两部分：预训练阶段：让MemDec学习模仿非参数检索器（如kNN-LM）的行为——先构建领域语料的键值数据库，计算kNN检索分布，再通过“分布对齐损失（KL散度）+语言建模损失”的混合目标，将检索知识编码到MemDec参数中。推理阶段：MemDec与基础LLM并行处理输入，通过插值参数α融合两者的输出分布（公式：(p_{Mem-PLM}(y_t|x)=\alpha\cdot p_{Mem}(y_t|x)+(1-\