让记忆成为模型能力 记忆张量发布并开源MemT 1.0

10 月 20 日，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 11 项记忆基准上位列同类方法第一、第二；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。

图：MemT 1.0 在基准测试中的记忆性能表现

不同于依赖长上下文的既有路线，MemT 1.0 把可持续更新的内部记忆纳入模型计算：历史信息与任务经验写入记忆状态，后续任务可直接调用，无需再次提供原始历史文本。

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。

记忆领先，长历史更快

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。

图：每条交互轨迹的持久化存储占用结果

省成本、可复用、能学习

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，尤其适合客服、办公助手等高频长会话场景。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。

大模型能力新增长路径

过去，大模型能力主要靠参数、数据与上下文三条路径增长；MemT 1.0 让“有效经历”成为可复用资产，开辟新路径。在编程智能体实测中，把历史解题经验写入模型记忆后，MemT-1.0-Nano 在 SWE-bench Verified（500 项任务）上平均成功率由 66.07% 提升至 69.73%，三次全部成功的任务比例由 54.00% 升至 62.80%；在覆盖九种语言的 SWE-bench Multilingual（300 项任务）上，平均成功率由 60.00% 升至 63.56%。这些能力将直接惠及软件研发、智能客服、个性化服务等强交互场景：智能助手记住用户偏好，客服无需用户反复说明背景，编程助手沉淀调试经验、越用越顺手。

从“会推理”走向“会积累”

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。