本文是LLM系列文章，针对《A Multi-Perspective Analysis of Memorization in Large Language Models》的翻译。
摘要
记忆，这意味着大型语言模型 （LLM） 可以生成用于训练它们的内容，是 LLM 的特殊行为之一。通过先前研究的研究，很少关注是什么使句子被记住，模型大小如何影响它，以及生成它的动态。在这项研究中，我们从多个角度讨论了记忆，包括缩放模型大小、输入和输出动态以及较少未记忆的内容，并揭示了：（1） 已记住/未记住的句子、模型大小、延续大小和上下文大小之间的相互关联，以及不同记忆分数的句子之间的过渡动态。（2） 生成记忆/未记忆内容时的边界效应及其与模型大小的关系。（3） 通过嵌入动力学分析观察嵌入空间中聚集的不同记忆分数的句子。解码中的熵分析在生成记忆/未记忆的内容时也显示出边界效应，尽管情况相反。（4） 预测记忆的可能性及其与模型大小和延续长度的关系。进一步的分析表明，未记忆的序列比记忆的内容更容易预测，这可以用边界效应的显著性来解释。
<