新浪科技讯 10月21日晚间消息，记忆张量（MemTensor）正式发布并开源记忆原生基础模型 MemT 1.0 系列，包含 MemT-1.0-Flash 与 MemT-1.0-Nano 两款模型。该系列模型在长历史场景下，端到端推理提速最高近 4 倍，持久化存储较传统完整上下文方案缩减约 130 倍。

　　传统方案处理长会话，靠的是把越来越长的历史文本一直带在模型上下文里，聊得越久、成本越高。MemT1.0 的思路是让模型自己“记笔记”：在模型内部加入可训练的记忆模块，每轮交互结束后自动把新信息整理进固定大小的记忆，之后需要时直接“想起来”，而不是每次重新翻记录。模型在 340 亿 token 的训练语料上分两阶段训练：先学会把信息写进记忆，再学会根据记忆回答问题。

　　在 11 项记忆基准上，MemT-1.0-Flash 平均得分 50.6，MemT-1.0-Nano 为 47.0，位列本次评估的参数化记忆方法第一、第二，比同类方法最高平均分分别高出 12.5 分、8.9 分；平均表现上与检索增强方案基本持平，且无需在每次查询时现场检索历史资料。同时，挂载记忆并不影响模型通用能力：在干扰信息较多的评测条件下，Flash 的通用能力与挂载记忆前基本持平，部分基准还有提升。

　　效率上，历史越长优势越明显：128K 历史下端到端推理提速约 1.86 倍，256K 下约 3.99 倍；查询首字延迟稳定在约 104—112 毫秒，而传统完整上下文方案在 256K 历史下要约 445 毫秒。存储上，256K 历史下每条会话的记忆状态约 40 MiB，较传统方案约 5.06 GiB 缩减约 130 倍。上述优势在长会话、长历史场景最为明显。

　　对开发者而言，记忆原生带来的价值可以落在三个层面。一是省成本：长会话不再需要把整段历史反复塞进上下文，推理开销与响应延迟更可预期。二是体验更稳：历史再长，查询首字响应时间也基本保持不变，用户不会“越聊越卡”。三是能力能成长，记忆的保留、更新与调用都由模型在训练中学会，随着交互积累，模型可以真正“记住”经验并在后续任务中复用，为持续学习与自我进化打下基础。

　　研发团队表示，后续将提升长期记忆、扩展记忆容量、降低记忆更新成本，逐步迈向能够从交互中持续学习、通过记忆不断进化的智能体，让记忆原生为持续学习及递归自我改进（RSI）提供基础。