2026年初，DeepSeek在技术领域动作频频，接连发布两篇重磅论文并开源新模块Engram代码。1月1日发布的《mHC》解决了超大规模模型训练稳定性问题，而最新模块Engram则通过外挂式记忆提升大模型知识调取效率。两项研究均以梁文锋为核心作者，显示团队正为下一代模型V4积累关键技术。与此同时，DeepSeek开启大规模招聘，涵盖深度学习研究员、全栈工程师等核心岗位，工作地点包括北京和杭州。行业分析认为，DeepSeek V4或将结合MoE计算效率、Engram低成本记忆及mHC稳定性，成为一款架构精巧的‘缝合怪’，进一步巩固其行业地位。春节将至，DeepSeek的技术布局或预示V4即将发布。

1月12日晚，DeepSeek发布新论文《Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models》，作者包括北京大学与DeepSeek团队，署名中出现梁文锋。论文提出条件记忆（conditional memory）概念，通过引入可扩展查找记忆结构，在相同参数和算力下显著提升大型语言模型在知识调用、推理、代码及数学任务中的表现。同时，DeepSeek开源了相关记忆模块Engram，为研究社区提供重要资源。这一成果为AI模型稀疏性研究开辟了新方向，具有重要意义。

DeepSeek团队在节前发布新论文，提出为Transformer加入“条件记忆”模块Engram，补足知识查找机制。该研究由梁文锋与北京大学团队合作完成，认为条件记忆是下一代稀疏模型的关键。Engram通过哈希查找和上下文感知门控机制优化静态知识检索，减少计算浪费，并解决传统N-gram模型的存储爆炸和多义性问题。实验表明，在27B参数规模下，Engram模型在知识密集型和推理任务中均显著优于纯MoE模型，部分任务提升超预期。此外，百亿参数表可卸载至CPU，推理延迟几乎无影响。DeepSeek计划春节前发布下一代稀疏模型，相关论文已开源。