B'MOJO：兼具精确保留记忆与衰减记忆的基础模型混合状态空间实现

基于摘要分析。本文研究通用序列模型如何在有限推理资源下支持转导推理，使记忆容量增长至有限但事先未知的上界。作者提出 B'MOJO，借助 Stochastic Realization Theory，在可组合模块中协调精确保留记忆（eidetic memory）与衰减记忆（fading memory），主要研究对象是序列架构、关联回忆及语言建模，而非 EEG 或 BCI。 机制上，作者将 Transformer 的有限上下文精确保留与 SSM 的跨长序列衰减状态统一描述，并区分四类记忆：上下文中的短期精确保留记忆、权重中的永久结构记忆、状态中的衰减记忆，以及存储中的长期精确保留记忆。后者通过原生接入异步更新记忆的检索实现。作者称 Transformer、Mamba 和 Jamba 均可视为 B'MOJO 的特例，并给出可堆叠、可高效硬件扩展的基础实现；具体状态更新、记忆调节与检索规则尚未验证。 作者报告，在关联回忆等转导推理任务中，B'MOJO 优于所比较的 SSM 与混合模型，但摘要未提供具体分数和基线配置。在普通语言建模评估中，模型规模最高达 1.4B 参数，与相近规模 Transformer 和 SSM 的困惑度相当，训练速度最高快 10%；硬件、吞吐量口径与训练配置尚未验证。作者还报告，在训练序列最长为 8K tokens 的条件下，模型在最长 32K tokens、即训练最大长度四倍的序列上取得更好的长序列推理表现；摘要未给出该结果的具体指标。数据集、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务同时依赖局部瞬态模式和长程上下文，这种混合记忆机制可能提供可检验的建模路径。可复用候选是记忆组合模块，需改造信号输入表示、位置或时间编码及检索单元，并配套 EEG 数据与任务监督；低信噪比可能使长期存储保留伪迹，跨被试差异、通道变化和小数据规模也可能削弱记忆的可用性。一个小规模实验是假设检验：固定 EEG 划分、参数规模和训练长度，对比 SSM 与混合记忆模型在更长测试片段上的任务表现，并加入伪迹扰动，检验收益是否稳定而非噪声累积。已有 EEG 相关工作尚未检索确认。