2026 年 10 月 20 日，記憶張量發布並開源記憶原生基座模型 MemT 1.0，稱其為業內首個記憶原生基座模型，同時公開技術報告以及 GitHub、HuggingFace、ModelScope 倉庫。該系列的思路是把歷史資訊編碼成可更新的內部記憶狀態，隨每輪對話逐 token 更新並支援跨會話儲存恢復；外掛記憶庫則不同，它需要把舊內容反覆檢索回上下文。首發兩個型號：MemT-1.0-Flash 總引數 288B、啟用 17B、動態記憶 336M，MemT-1.0-Nano 總引數 36B、啟用 3B、動態記憶 10M。據量子位報導，Nano 基於 Qwen3.6-35B-A3B，Flash 基於經過進一步後訓練的 DeepSeek-V4-Flash；兩者都在選定的 Transformer 模組里加入與原有注意力並行的記憶分支，讀出結果與注意力輸出融合，並稱這是記憶原生模型首次完成近 300B 引數規模的工程驗證。在 SWE-bench Verified 的 500 項任務各跑三次的測試中，Nano 的三次全成功率從無經驗時的 54.00% 升至 62.80%。機器之心指出，這種原生記憶的代價是精確刪除、解釋與恢復需要額外機制。對自建助手以及開發長週期 agent 的開發者來說，記憶從提示詞與外部庫的工程問題，變成了模型本身可訓練的能力。
AI 根據 2 則報導生成 · 更新
沿著報導，了解事件的不同側面；點標題看單篇報導的摘要與原文連結。
記憶張量開源 MemT 1.0 系列記憶原生模型，最大型號 Flash 總引數 288B、啟用 17B，較小的 Nano 為 36B 總參、3B 啟用。兩者分別在選定的 Transformer 模組里加入與原注意力並行的記憶分支，把經驗編碼成可更新的內部矩陣狀態，據稱為記憶原生模型首次做到近 300B 引數規模的工程驗證。在 SWE-bench Verified 的 500 項任務各跑三次中，Nano 三次全成功率由無經驗的 54.00% 升至 62.80%；
記憶張量發布並開源 MemT 1.0，稱其為業內首個記憶原生基座模型，歷史資訊被編碼為可更新的內部記憶狀態，隨每輪對話逐 token 更新並可跨會話儲存恢復。兩個版本為 MemT-1.0-Flash（288B 引數、17B 啟用、336M 動態記憶）與 Nano（36B 引數、3B 啟用、10M 動態記憶）。
過去 48 小時，有 2 個獨立來源報導，最近 6 小時新增 0 個。熱度 1.4，熱門榜第 8 名。
熱度以 48 小時內的獨立來源計，同一來源只算一次，每 24 小時權重減半。
同一事件的報導集中在這裡，新的進展會繼續補充。