MemT 1.0 发布：以“记忆原生”架构重塑养成系 AI

事件概述

记忆张量（MemTensor）正式推出并开源了 MemT 1.0 记忆原生大模型。与传统依赖外挂向量数据库或简单聊天记录存储的方案不同，MemT 1.0 将记忆机制深度整合进模型底层架构，使模型具备自主读写、更新和调用记忆的能力，旨在解决当前 AI 助手缺乏长期记忆和经验沉淀的问题。

核心技术与性能

• 架构设计：采用“主干网络 + 动态记忆状态”的双轨设计。主干网络负责通用认知，独立且固定体积的动态记忆状态则随交互实时演进。通过 token 级别的门控机制，模型能自动过滤闲聊噪音，保留关键事实。
• MoS 架构：引入 Mixture-of-Storage (MoS) 结构，由多位“记忆专家”分管存储空间读写，在有限内存容量下提升信息密度。
• 训练策略：使用 340 亿 token 数据进行训练，包括 200 亿 token 的继续预训练和 140 亿 token 的后训练（利用教师模型打分优化记忆提取精度）。
• 基准测试表现：在覆盖长期保留、动态更新等维度的 11 项系统记忆基准测试中，闭卷作答的 MemT-1.0-Flash 和 Nano 均分分别为 50.6 和 47.0，领先同组最强参数化记忆基线 12.5 分和 8.9 分。消融实验显示，移除后训练会导致 Nano 分数大幅下跌至 36.3，验证了训练流程的关键性。

自我进化与实战应用

• 经验闭环机制：团队构建了从“任务反馈”到“经验沉淀”再到“行为修正”的闭环。在 SWE-bench Verified 的 500 项编程任务中，提前写入经验的 MemT-1.0 Nano 平均成功率从 66.07% 提升至 69.33%。
• 实时动态学习：在实战模式下，当模型遇到报错或卡壳时，系统即时将排错经验写入其内部记忆状态。这种动态触发机制使平均成功率进一步升至 69.73%，三次全成率达 62.80%，优于静态文本经验对照组。
• 多语言扩展：在包含 300 项任务的 SWE-bench Multilingual 测试中，动态记忆机制同样有效，平均成功率从 60.00% 提升至 63.56%。

工程优势与应用前景

• 成本与效率：由于记忆状态体积固定，MemT 1.0 避免了长上下文带来的显存和延迟膨胀。在双 GPU 单并发测试中，处理 256K token 历史时，Nano 模型的端到端推理速度约为完整上下文方案的 3.99 倍；持久状态存储需求仅为 KV cache 的约 1/66。
• 应用场景：该技术降低了高频、跨周期交互的工程门槛，适用于企业内部研发经验复用、7×24小时个人数字分身、医疗顾问及个性化教育等需要长期伴随和习惯磨合的场景。

结论

MemT 1.0 标志着 AI 发展从横向参数竞赛转向纵向时间轴积累。通过让模型在互动中“越用越聪明”，它试图建立基于用户习惯和业务规则的专属壁垒，为养成系 AI 的下半场竞争提供了新的基础设施。