本文研究了大型表格模型（LTM）在上下文学习（ICL）中的参数记忆化现象。尽管大型语言模型（LLM）已被证实会无意中记忆训练数据，但LTM的记忆化动态尚不完全清楚。为此，作者提出了一个名为ICLMEM的探测框架，旨在区分基于上下文的预测与参数记忆化。该框架通过零信息多项选择上下文剥离有效上下文模式，迫使模型依赖其参数记忆。受控微调设置建立了成员资格地面真相，并考虑了常见陷阱（如分布偏移、特征污染、基础率谬误），同时使用预训练基础模型作为参考来校准样本难度。在领先的、基于现实世界训练的LTM上进行受控评估后，在10个任务中的8个检测到中等记忆化信号（AUC最高0.67，1%假阳性率下的真阳性率>0.1）。值得注意的是，低基数任务和二分类任务的记忆化信号最强，但在现实训练条件下大部分消失。研究发现LTM的记忆化信号仅在特定条件下出现（如单任务微调、固定样本许多 epochs、小查询大小）。为保护敏感数据，必须采取适当措施，本文对此进行了讨论。