ALLOT：LLM知识更新的预算混合内存路由

对于大语言模型 (LLM)，当检索已经足够时，参数适应的成本很高。我们引入了 ALLOT，一种混合​​内存路由框架，它将学习的写入优先级与硬参数预算分开。内存感知路由器结合了冻结文本表示、检索置信度和关系元数据；单个排名支持多个写入预算，同时将所有事实保留在外部存储器中。在使用 Qwen3-4B 的 CounterFact 上，ALLOT 以 20% 的参数写入预算达到 0.760 的准确度，并恢复了 78.4% 的预算匹配预言机增益，参数写入比双写入每个事实减少了 80%。在此预算下，向文本联合添加检索和关系特征可将标准化预言机增益提高 6.2 个百分点。互补的 Qwen3-0.6B 共享存储结果以 6-14.5% 的参数写入实现双写入级精度，并且跨基准传输保留了大约 88% 的域内增益。这些结果支持根据其增量值来分配适应能力，而不是将每个事实更新视为同等有价值的训练目标。