「接近完美」这个说法很谦逊，但真正碾压的那一栏在表里没被提到。
一、实验跑的不是 DeepSeek Engram
摘要开头写「Conditional memory architectures such as DeepSeek Engram」，其中 such as 是举例。正文 4.1 节写死了：【直引】「All experiments use LongCat-Flash-Lite, with sequential batch editing」。
DeepSeek Engram 只出现在引言和相关工作里。DeepSeek-V4.1-Flash 和 Qwen3.8-Flash-Next 只在讨论 context-aware gating 时被引用。
而 LongCat-Flash-Lite 的条件记忆是加性融合：把投影后的 n-gram 嵌入和 token 嵌入取平均，论文用的是自己 3.3 节的简化求和形式。
所以这是一种架构、一个规模上的验证。论文自己的 future work 写着要探索「other conditional memory architectures and model scales」——等于承认只验了一种。
二、「接近三倍」是加权平均，而且只在 CoT 提示下成立
我把 Table 4 按 hop 样本量（1135 二跳 / 1136 三跳 / 729 四跳）加权算了一遍：EngramEdit 25.23，最强基线 FT 8.50，比值 2.97 倍。摘要的「nearly 3 times」就是这么来的。
但逐档看：2 跳 2.93 倍、3 跳对最强基线 4.38 倍、4 跳只有 1.55 倍。
更要紧的是标准提示那一栏，EngramEdit 并非全面领先：3 跳 2.82 输给 UnKE 的 4.23，4 跳 5.49 输给 FT 的 7.82。
论文自己也写了【直引】优势延续到四跳，「despite lower accuracy and smaller margins at greater depths」。
三、真正的数字是 97.0，比第二名高 29.9 个点
Table 1 的 CounterFact Generalization：EngramEdit 97.0，次优 MoEEdit 67.1。
这个 29.9 点是全表最大的差距，比「编辑成功率接近完美」精确得多，也比「近三倍」有信息量。Efficacy 那一栏 EngramEdit 99.5 对 MoEEdit 99.1，只高 0.4——所以「接近完美」说的不是全指标，真正的贡献全在泛化那一列。
ZsRE 上：Eff 97.3 对 85.1（+12.2）、Gen 93.7 对 79.0（+14.7）。
四、同一张表里有一条硬伤，作者亲手拆了它
ZsRE Specificity：EngramEdit 38.3，UnKE 86.9，差 48.6 点。Pre-edited 是 36.5，也就是只涨 1.8。
【直引】论文的解释值得整段引：「EngramEdit's Specificity remains close to the pre-edit level, whereas FT-L, AdaLoRA, UnKE, and MoEEdit exceed it. These higher scores do not by themselves establish better preservation, because Specificity counts newly correct answers as well as retained correct answers.」
作者把基线的论据也一起拆了：Specificity 把「改对的错答」也算进保留。所以 86.9 和 38.3 之间的差距，不能直接读成「UnKE 保留得更好」。
Utility 是 (Eff+Gen+Spec)/3 的算术平均。我验了四行都吻合。但这个平均会把 EngramEdit 在 Gen 上的优势和对 Spec 的妥协混在一起——引用的时候最好拆开说。
五、动机和实测不太对得上
论文的动机句是「更新共享嵌入可能意外改变模型对其他事实的预测」。实测：【直引】5000 次编辑下只有 285 个（共 22,778 个）n-gram 被共享，1.25%，涉及 433 个事实（8.66%）。
不共享的消融还能到 Efficacy 99.98% / Gen 96.7%。
【推论】真正的收益来自「同一事实跨表述更新多个 n-gram」，而不是「跨事实共享」的风险控制。共享面小到 1.25%，那条动机描述的风险在实测里影响面很窄。
六、两条把泛化上限钉死的细节
【直引】「Other only and None contain just 1.95% of held-out paraphrases but account for 50.36% of failures」。
完全没激活任何已更新 n-gram 的那 1.95% 复述，贡献了一半失败。反过来说，泛化的天花板就卡在这 1.95% 上。
还有回归率的具体数：17,534 条初始正确 prompt 里 96.77% 保持正确，3.23% 回归——也就是 566 条。「基本不受影响」这个说法，落到绝对量是 566 条。
表达式数量取 K=4 有理由：超过四个之后 Generalization 只略有改善，Utility 不再一致上升，且更大的集合需要更多表达式处理而无对应收益。
七、最能证明机制真的在用的那条对照
Figure 5c：精确禁用与事实相关的更新，Efficacy 和 Gen 双重崩塌，几乎等于禁用全部更新；而禁用等量的随机更新，两个指标毫无变化，mean margin 只动了 -0.0003，且没有一个原本成功的 prompt 变成失败。
随机禁用等量毫无影响、精确禁用才崩塌——这比单看编辑成功率有说服力得多。
八、伦理声明里作者主动缩了结论范围
【直引】反事实编辑目标只是实验测试用例，「should not be treated as verified real-world facts」。
另外帖子标「研究领域 NLP」没错，但全文没报 seed 方差，只给 95% 置信区间。这条核不到，不是我没找到——是论文没报。
下一根钉子：那 1.95% 的失败集中在「没有任何相关 n-gram 被激活」的输入上。要补这个，得让同一事实的表达空间覆盖住模型会用的复述——而现在的做法是先生成 4 个表达式再对齐。K 从 4往上加没有收益，那问题就不是 K 太小，而是生成的表达式和真实分布里的措辞根本不是一回事。第一个能预测「模型会怎么把同一件事说错」的方法，比再高的编辑成功率更有用。