记忆张量开源MemT 1.0大模型，以记忆原生架构提升长期交互能力

2026年10月20日，记忆张量正式发布并开源MemT 1.0记忆原生大模型。该模型与常见外挂记忆方案不同，将记忆内化进底层架构，使模型通过训练学习如何读写、更新和调用记忆，让经验积累成为模型能力的一部分。

架构上，MemT 1.0将模型分为主干网络与动态记忆状态两部分。主干网络承载通用认知，动态记忆状态则在不同交互轨迹中独立演进，实时吸收新信息并参与后续生成计算。模型通过token级别的更新机制刷新记忆，由训练学出的门控机制决定信息保留或更新。

团队使用340亿token数据分两步训练：先用200亿token做继续预训练，再用140亿token做后训练，并引入Mixture-of-Storage（MoS）架构，由多位记忆专家分头管理存储空间的读写分配。在11项系统记忆基准测试中，MemT-1.0-Flash和MemT-1.0-Nano均分分别达50.6和47.0，领先最强参数化记忆基线12.5分和8.9分。消融实验显示，去掉后训练步骤后Nano均分从47.0降至36.3。

在编程场景的连续自我改进测试中，MemT-1.0 Nano在SWE-bench Verified的500项任务中，按实时反馈更新记忆状态的平均成功率从无经验的66.07%提升至69.73%。模型以固定体积动态记忆状态维持持续交互，为长周期AI助理和智能体的自主演进提供了底层模型支点。