MARCH：通过内容路由状态锚点扩展递归记忆

基于摘要分析。本文研究长上下文序列建模中，固定大小递归状态难以保留早期关联的问题，提出 Memory-Anchor Routing across Context History（MARCH）：周期性缓存累计递归状态，并以内容路由方式检索历史状态，在历史信息分辨率与存储成本之间提供可调折中。 核心机制是将递归状态检查点保存为 state anchors，为每个锚点生成紧凑的内容条件键。处理每个 token 时，模型生成查询，访问所有因果可用的历史锚点，再以类似注意力的方式聚合历史锚点读出与当前状态读出。它保留递归状态更新路径，但不再仅依赖单一固定大小状态保存全部历史；记忆库会随上下文长度增长。因此，不能仅凭摘要将其视为常数内存或整体线性复杂度的方法，锚点间隔、检索成本与实际效率尚未验证。 作者报告，在标准预训练后，MARCH 在常识推理、LongBench 和上下文检索评估中持续优于多个线性注意力变体。摘要未提供具体基线名称、分数、模型规模或训练预算，实验协议、消融及统计信息尚未验证，亦无法据此判断其与 Transformer 的性能及成本差距。 平台推测（待验证）：其机制可能对应长时 EEG 序列中早期事件信息被后续递归更新覆盖的瓶颈，但原文研究对象是通用长上下文建模，并非 EEG 或 BCI。可复用的是状态检查点与内容寻址机制；需改造的是 EEG 时序片段表示、锚点生成方式及任务监督。低信噪比、跨被试差异和小数据可能使检索键偏向伪迹或被试特征。一个可证伪的小实验是在固定数据划分和训练预算下，对同一 EEG 递归骨干比较无锚点、等间隔非内容路由锚点与 MARCH 式路由，检验长时依赖任务的性能及内存、延迟变化。已有 EEG 相关工作尚未检索确认。