记忆张量开源记忆原生模型MemT-1.0

10月20日，记忆张量团队发布并开源「记忆原生」基础模型 MemT-1.0，把经验的保留、更新与调用做成模型可学习的能力，而非依赖外挂记忆库或反复注入上下文，被称为业内首个记忆原生基座模型，也是业内最大的开源参数化记忆模型。

已确认

• 架构上，MemT-1.0 基于 Metis 骨干、采用 Gated DeltaNet 相关设计，在 Transformer 主干之外引入可持续更新的内部记忆状态，让参数化记忆直接参与生成（m1、m5）
• 主干网络承载通用能力，动态记忆状态作为独立于用户/任务的专属工作状态，每轮对话结束时更新；官方称模型可「闭卷」答对 500 轮对话细节（m4）
• 系列包含多个型号：MemT-1.0-Nano 为 36B 参数、激活 3B，基座 Qwen3.6-35B-A3B；系列最大达 288B 参数（m3）
• 性能方面：128K 上下文下推理快 1.86 倍（m3）；SWE-bench 成功率从 54% 升至 61.6%，提升逾 3 点（m2、m5）
• 模型已开源（m3、m5）

为什么重要

• 赛博禅心指出外挂文本记忆存在三大问题：存取规则预先设定、上下文越用越长越贵、无法真正复用；而此前把历史训进参数的方案（如 Temp-LoRA）成本过高。MemT-1.0 直接针对这一痛点，尝试让模型通过训练自己学会读写、更新和调用记忆（m2、m4）
• 若参数化记忆路线可行，长对话与经验积累的成本和复用性问题可能被根本性缓解，这是对当前 RAG/上下文注入范式的一次架构级挑战

2026-10-20 ~ 2026-10-20 · 5 条相关

• 记忆张量开源MemT1.0：让模型自己学会读写记忆，闭卷答对500轮对话细节 — APPSO · 2026-10-20
• 【源头】记忆张量开源MemT1.0：288B参数记忆原生模型，128K下推理快1.86倍 — 量子位 · 2026-10-20
• 记忆张量 MemT1.0:把记忆写进参数,SWE-bench 从 54% 升到 61.6% — 赛博禅心 · 2026-10-20
• 【源头】MemTensor 发布 MemT-1.0:把记忆内化进模型计算的记忆原生架构 — MemTensor · 2026-10-20

另有 1 条近重复转述:机器之心