记忆张量开源记忆原生大模型 MemT 1.0，双版本累计下载超 11 万次

2026 年 10 月 29 日——记忆张量（MemTensor）于 10 月 20 日发布并开源记忆原生基础模型 MemT 1.0 系列，包含 MemT-1.0-Flash（288B 参数、17B 激活）与 MemT-1.0-Nano（36B 参数、3B 激活）两个规模版本；截至 10 月 29 日，两款模型在 Hugging Face 累计下载约 11.2 万次，按上架约 9 天折算日均下载超万次，66 页技术报告已在 arXiv 一并公开。

发布与开源情况

本次发布包括 MemT-1.0-Flash 与 MemT-1.0-Nano 两款模型，权重与代码分别在 Hugging Face 和 GitHub 免费获取。官方称其为业内首个记忆原生基座模型。据 Hugging Face 平台数据，截至 10 月 29 日，Nano 累计下载 62209 次、获 162 个赞，Flash 累计下载 49453 次、获 114 个赞；GitHub 仓库 MemTensor/MemT-1.0 于 10 月 19 日创建，截至 10 月 29 日获 467 个星标。

技术报告题为《MemT-1.0: Towards Memory-Native Evolution》（arXiv 编号 2610.26825），全文 66 页、含 15 图 16 表，模型仓库内同时附带 PDF 版本。

记忆原生架构：把经验存进模型内部

此前 Agent 场景的常见做法，是把踩坑经验写进 AGENTS.md 这类记忆文件，文件越写越长，每次新开会话都要先读一遍，尚未开始工作就先占掉一部分上下文窗口；官方技术报告则将主流外挂检索类方案比作「翻查静态备忘录」。MemT 1.0 针对的就是这一痛点：据官方介绍，其思路是让记忆脱离外挂模块、内化进模型架构，由模型通过训练自己学会记忆的写入、更新与调用，经验积累本身成为模型能力的一部分。

架构上，MemT 1.0 将模型计算分为两部分：主干网络承载通用认知能力；动态记忆状态体积固定、独立于上下文存在，在持续交互中通过 token 级更新机制刷新，直接参与后续每一轮生成计算，哪些信息保留、哪些覆盖由训练习得的门控机制自主决定。工程实现上，模型基于 Metis 构建，采用 Gated DeltaNet-2 与轮次内稳定的 token 级记忆更新机制，并引入 Mixture-of-Storage（MoS）架构扩展记忆容量——基座 MoE 负责计算，多个「记忆专家」分管存储空间的读写分配。

训练方面，技术报告披露共使用 340 亿 token 数据，分两阶段完成：先以 200 亿 token 做继续预训练，让模型学习用过去片段预测未来；再以 140 亿 token 做后训练，由教师模型对记忆提取结果打分以驱动改进。

基准与实测数据

在覆盖长期保留、动态更新、个性化理解等维度、历史跨度从 16K 至 100 万 token 的 11 项系统记忆基准测试中，全程不回看原始文本的 MemT-1.0-Flash 与 MemT-1.0-Nano 均分分别达到 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（官方技术报告口径）。消融实验显示，去掉后训练后 Nano 均分从 47.0 降至 36.3；MoS 记忆专家从 2 个扩充至 4 个，均分最高提升 2.7 分。官方展示的测试案例中，模型在 500 余轮、约 6.6 万 token 的对话后，仍能在不回看原文的情况下准确报出展览改期后的安排，并区分未被采纳的备选方案。

经验内化方面，团队从数万条成功编程轨迹中提炼出上千条可复用经验，并筛出 4.2 万余条「无经验时做错、补上经验后跑通」的样本，专门训练 Nano 的记忆模块。编程实测结果如下（官方技术报告口径）：

其中实战模式（执行中按报错反馈动态写入记忆）在 SWE-bench Verified 上达到 69.73% 平均成功率与 62.80% 三次全成率，高于文本经验对照组的 69.13% 与 61.80%。这组数据说明，模型在不把经验文本放进上下文的前提下，靠内部记忆状态可以达到与上下文注入相当的任务表现。

推理效率方面，在双 GPU、单并发、batch size 为 1 的测试条件下，处理 64K、128K、256K token 历史时，Nano 相对完整上下文方案的端到端推理提速分别约为 1.20 倍、1.86 倍和 3.99 倍；在 128K 历史长度下，恢复单条交互历史所需的持久存储约为完整上下文 KV cache 的六十六分之一（不计共享模型权重）。

背景与后续关注

记忆张量（上海）科技有限公司成立于 2024 年，创始人熊飞宇。其技术路线由此前的 Memory³ 分层记忆研究、MemOS 记忆操作系统延伸而来：MemOS 于 2025 年 7 月开源，定位大模型与 AI Agent 的记忆操作系统，截至 10 月 29 日在 GitHub 获约 1.22 万个星标。爱范儿等媒体将 MemT 1.0 的路线概括为「养成系 AI」——用户的每次纠正与反馈通过记忆更新沉淀为模型能力。该口径下值得后续关注的是：动态记忆状态的固定体积设计能否在更长周期、多任务并行的真实业务中保持记忆质量，以及外部系统提炼经验、模型内化经验的协同机制在开源社区的实际复现效果。