保持混合语言模型的记忆功能：状态、证据、访问与粒度综述

基于摘要分析。本文研究混合语言模型如何在降低长上下文服务成本的同时保持任务所需的记忆功能，提出 State-Evidence-Access（SEA）框架，并据此组织综述与失效诊断，而非发布新的模型或 EEG/BCI 方法。 原研究对象是将 Transformer attention 与循环、状态空间或在线更新组件结合的混合语言模型。SEA 将任务需求分解为活跃潜在状态、可寻址证据以及访问／更新带宽三个维度，考察架构如何在不同粒度上分配这些能力。作者指出，仅观察注意力比例或平均困惑度可能掩盖功能退化：节省存储并不意味着保留了任务需要的检索、状态更新或访问能力。 综述按资源分配位置梳理方法，覆盖键值（K-V）、注意力头、层、块、外部记忆及系统缓存策略，并分析“功能—粒度不匹配”风险。其主要贡献是建立诊断图谱，例如将长文档 QA 中的失败区分为证据缺失、状态更新不稳定、访问瓶颈或组件整合不良。摘要未提供定量实验结果，综述覆盖范围、文献筛选方式、诊断案例与实证验证程度尚未验证。 平台推测（待验证）：若将这一视角用于含状态空间组件的长时序 EEG 模型，可假设持续状态跟踪与稀疏事件证据检索需要分别评估，不能由单一分类指标替代记忆功能检查。但原文依赖语言上下文及可寻址证据，其与 EEG 低信噪比、通道结构和跨被试差异的对应关系仍待建立；尚未检索确认已有 EEG 相关工作，因此不将该框架视为已验证的 BCI 改进，也不据摘要提出具体复现实验方案。