改记忆只动一个方向：KronLSTM 给线性注意力补上更稳的长上下文更新

线性注意力用固定大小的关联矩阵扛上下文，长序列上的难点往往是更新本身：新关联写入时，旧信息容易被冲掉。KronLSTM 基于 Kronecker Delta Rule，给 xLSTM 家族加上记忆修订：纠正目标关联时，只沿矩阵空间的一个方向改记忆。作者称这种最小侵入修订比 delta-rule 更少干扰已存信息，因而更适合长上下文语言建模。材料来自 Hugging Face Daily Papers 收录，以下只依据摘要。

更新被限制在一个方向

Kronecker Delta Rule 是关联矩阵记忆的新更新规则，重点不在堆门控，而在约束改写范围。摘要的表述很具体：修正是定向的，记忆矩阵只沿单一方向变化。相对更铺开的 delta-rule，它试图降低对既往存储的干扰。材料未给出实现公式或与 xLSTM 变体的逐项对比，能落实的只有设计意图——少动矩阵、对准要修的那条关联。对容量固定的循环线性注意力，这把问题从状态是否够大，转到更新会不会误伤旧记忆。

稳定性与实验都还停留在摘要口径

记忆动态被写成马尔可夫链，作者称其收敛到稳态分布，且记忆矩阵的期望范数在整个输入序列上一致有界。因此 KronLSTM 不为记忆状态额外做归一化或稳定化。这是理论卖点，但摘要没有常数、速率或反例，只能记作有界性被写进规则。实验上，材料只说它与现有线性注意力（含 Gated DeltaNet 家族）竞争力相当并常常更好，长上下文基准上尤其明显。无规模、无基准名、无数字，不能外推成全面超越。代码与模型已开源，便于后续核对。

我的判断

价值在于把长上下文线性注意力收束到更新几何：只改一个方向、减少串扰，并用马尔可夫链讨论有界，而不再依赖额外稳定模块。对做 xLSTM、DeltaNet 或线性注意力的人，这是一条干净、可分析的假设。边界同样清楚：只有语言建模与长上下文的定性比较，没有速度、显存和消融数字；常常优于仍是作者口径。在完整实验可见之前，适合当记忆更新方案来跟，而不是当成已可替换现有架构的结论。