记忆张量发布并开源MemT 1.0系列模型 长历史推理提速近四倍且存储缩减约130倍

记忆张量于10月21日晚间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。该系列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依赖不断扩展历史文本，成本随对话长度增加。MemT 1.0采用可训练记忆模块，每轮交互后自动整理新信息至固定大小记忆，需要时直接召回，无需重新翻阅记录。模型基于340亿token语料分两阶段训练，先学会写入记忆，再学会基于记忆回答。

在11项记忆基准上，Flash平均得分50.6，Nano为47.0，分别位列参数化记忆方法第一和第二，较同类方法最高平均分高出12.5分和8.9分，平均表现与检索增强方案持平且无需现场检索。挂载记忆不影响通用能力，部分基准甚至有提升。

效率方面，历史越长优势越明显：128K历史下推理提速约1.86倍，256K下约3.99倍；查询首字延迟稳定在约104至112毫秒，而传统方案在256K历史下需约445毫秒。存储上，256K历史下每条会话记忆状态约40MiB，较传统方案约5.06GiB缩减约130倍。

对开发者而言，价值体现在三方面：一是省成本，长会话推理开销与延迟更可预期；二是体验更稳，响应时间不随历史增长而变差；三是能力可成长，记忆的保留、更新和调用由模型训练学会，支持持续学习与自我进化。研发团队计划后续提升记忆容量与降低更新成本，为递归自我改进奠定基础。