内存启动：用于引导的潜在空间 KV 缓存操作 LLM

转向大语言模型 (LLM)通常通过指令提示或激活转向来完成。提示通常会提供强大的控制，但会在每一层缓存指导词元，并且可能会扰乱长时间的交互；激活转向很紧凑，但通常较弱，并且不支持大型结构化提醒。我们引入了记忆初始（MI），这是一种 无需训练 方法，它通过仅在选定的层插入文本派生的键值（KV）库来引导潜在注意力空间。 MI 并没有在整个提示缓存中具体化提醒内容，而是将转向视为选择性 KV 分配，仅在模型路由到它们的地方注入潜在槽。在匹配的个性引导任务中，MI 提供了最佳的整体控制——漂移权衡，通过提示保持竞争力，同时始终优于 CAA。在可更新的指导上，MI 支持对话中的行为转变，而无需重写可见的记录，从而在 Qwen3 上实现最高的转变后对齐。在结构化推理方面，MI 优于 HARDMath 和 PHYSICS 上的可见提示（10/12 subject$\times$mode cells），充当可验证领域中结构化推理的代理，同时将内容匹配的 KV 存储削减高达 118$\times$。当指导是持久的、结构化的或保存在可见记录中的成本很高时，这些结果将 MI 定位为一种强大的指导方法。