【资料图】

来源：环球网

【环球网科技综合报道】10月20日，由中国团队记忆张量研发的记忆原生模型MemT1.0系列正式发布并开源。该系列将可持续存在、可更新的内部记忆纳入模型计算，使历史信息与任务经验可在后续相关任务中直接调用，无需再次提供原始历史文本。

MemT1.0系列包括MemT-1.0-Flash与MemT-1.0-Nano，参数规模分别为288B与36B。团队在选定的Transformer模块中引入原生记忆模块，使原有注意力与记忆注意力并行运行。架构创新包括基于Gated DeltaNet-2的逐token稳定更新机制、Mixture-of-Storage混合存储扩容，以及持续预训练与后训练两阶段训练。

评测显示，在11项记忆基准上，两款模型平均得分分别为50.6和47.0，位列参数化记忆方法第一、第二。编程智能体实测中，Nano在SWE-bench Verified 500项任务上平均成功率从66.07%提升至69.73%，三次全部成功比例从54.00%提升至62.80%。长历史场景下，Nano相比完整上下文方式实现约1.86倍（128K）与3.99倍（256K）端到端推理速度，持久化记忆状态约为其1/66。

目前，MemT1.0系列已通过Hugging Face等平台开源，开发者可免费获取模型权重。研发团队表示，下一步将持续提升长期记忆、扩展记忆容量、降低更新成本，并探索自主获取经验与跨任务持续整合记忆。（勃潺）

关键词： 调用 编程 原生 上下文 新模型 memt 记