新浪科技訊 10月21日晚間消息，記憶張量（MemTensor）正式發布並開源記憶原生基礎模型 MemT 1.0 系列，包含 MemT-1.0-Flash 與 MemT-1.0-Nano 兩款模型。該系列模型在長曆史場景下，端到端推理提速最高近 4 倍，持久化存儲較傳統完整上下文方案縮減約 130 倍。

　　傳統方案處理長會話，靠的是把越來越長的歷史文本一直帶在模型上下文裏，聊得越久、成本越高。MemT1.0 的思路是讓模型自己「記筆記」：在模型內部加入可訓練的記憶模塊，每輪交互結束後自動把新信息整理進固定大小的記憶，之後需要時直接「想起來」，而不是每次重新翻記錄。模型在 340 億 token 的訓練語料上分兩階段訓練：先學會把信息寫進記憶，再學會根據記憶回答問題。

　　在 11 項記憶基準上，MemT-1.0-Flash 平均得分 50.6，MemT-1.0-Nano 為 47.0，位列本次評估的參數化記憶方法第一、第二，比同類方法最高平均分分別高出 12.5 分、8.9 分；平均表現上與檢索增強方案基本持平，且無需在每次查詢時現場檢索歷史資料。同時，掛載記憶並不影響模型通用能力：在干擾信息較多的評測條件下，Flash 的通用能力與掛載記憶前基本持平，部分基準還有提升。

　　效率上，歷史越長優勢越明顯：128K 歷史下端到端推理提速約 1.86 倍，256K 下約 3.99 倍；查詢首字延遲穩定在約 104—112 毫秒，而傳統完整上下文方案在 256K 歷史下要約 445 毫秒。存儲上，256K 歷史下每條會話的記憶狀態約 40 MiB，較傳統方案約 5.06 GiB 縮減約 130 倍。上述優勢在長會話、長曆史場景最為明顯。

　　對開發者而言，記憶原生帶來的價值可以落在三個層面。一是省成本：長會話不再需要把整段歷史反覆塞進上下文，推理開銷與響應延遲更可預期。二是體驗更穩：歷史再長，查詢首字響應時間也基本保持不變，用戶不會「越聊越卡」。三是能力能成長，記憶的保留、更新與調用都由模型在訓練中學會，隨着交互積累，模型可以真正「記住」經驗並在後續任務中複用，為持續學習與自我進化打下基礎。

　　研發團隊表示，後續將提升長期記憶、擴展記憶容量、降低記憶更新成本，逐步邁向能夠從交互中持續學習、通過記憶不斷進化的智能體，讓記憶原生為持續學習及遞歸自我改進（RSI）提供基礎。