记忆张量推出 MemT 1.0 记忆原生大模型，长历史推理提速近 4 倍，存储压缩最高达 130 倍

记忆张量正式发布 MemT 1.0 记忆原生大模型，这款模型把长效记忆做成模型内生能力，在 256K 超长历史对话场景下，端到端推理速度相比传统完整上下文方案提速接近 4 倍，持久化记忆存储最高实现 130 倍压缩，大幅降低超长文本推理的算力开销与硬件占用，同时在 11 项主流记忆评测榜单里拿下参数化记忆赛道前两名，兼顾长文本推理效率、记忆留存能力与通用对话能力，非常适合智能 Agent、长期多轮对话、自动化研发等需要持续留存历史信息的业务场景。MemT 1.0 跳出了传统大模型依赖上下文窗口加载全部历史的技术路线，把可更新、可持久保存的记忆状态嵌入模型前向计算流程，依靠 Gated DeltaNet-2 逐 token 稳定更新机制、Mixture-of-Storage 混合存储架构，把海量历史内容压缩成轻量化记忆向量，不用反复加载全部历史文本，既加快推理速度，又极大减少存储占用，下面从模型版本配置、核心技术架构、实测性能数据、部署落地步骤、业务应用场景五个板块做完整深度拆解。

一、MemT 1.0 全系模型版本配置清单

本次发布的 MemT 1.0 包含两款开源模型，硬件适配范围覆盖轻量测试与大规模企业部署，详细参数如下：

表格

两款模型均采用两阶段训练方案，依托 34B 高质量训练数据完成持续预训练与对齐微调，在强化长效记忆能力的同时，完整保留通用问答、代码生成、逻辑推理等基础能力，不会出现记忆增强后通用能力下降的问题。

二、三大核心技术架构，实现提速 + 高压缩的核心支撑

1. Gated DeltaNet-2 逐 token 记忆更新机制 传统参数化记忆容易出现记忆漂移、更新不稳定的问题，MemT 1.0 搭载 GDN-2 门控增量网络，实现逐轮逐 token 的精细化记忆更新。模型可以自主完成信息写入、增量修改、选择性遗忘，只把关键历史信息固化进记忆向量，过滤无效冗余文本，从源头减少记忆数据体量，保障长轮次对话下记忆状态稳定不失效。
2. Mixture-of-Storage 混合存储扩容架构 模型引入混合存储分层方案，把短期临时上下文、中长期固化记忆做分层存储，动态记忆只保留提炼后的关键向量，不再占用完整 KV 缓存空间。这套架构可以把超长历史的持久化存储体积大幅缩减，为百倍级存储压缩打下技术基础，同时不受上下文窗口长度限制，理论记忆容量可以持续扩容。
3. 记忆注意力与原生注意力并行计算 在 Transformer 主干网络之外新增独立记忆注意力分支，历史记忆向量和当前输入文本并行运算，不需要把全部历史文本拼入输入 prompt。推理过程只读取轻量化记忆状态，不用反复加载数万 token 的历史上下文，直接缩短每一轮生成的计算耗时，实现长历史场景下的推理加速。

三、实测性能数据：推理速度与存储压缩量化结果

全部测试均在双 GPU、单并发、单次生成 128token 的统一环境下完成，对比基准为传统全量上下文 KV 缓存方案：

1. 推理速度实测数据

• 128K 历史长度：MemT-1.0-Nano 推理速度达到基准的 1.86 倍；
• 256K 超长历史长度：MemT-1.0-Nano 推理速度达到基准的 3.99 倍，接近 4 倍提速，完全匹配宣传指标。

1. 存储压缩实测数据

• 128K 历史场景：持久化记忆存储体积压缩至基准的 1/66，实现 66 倍存储压缩；
• 优化后的混合存储策略下，超长历史场景最高可实现 130 倍存储压缩，极大降低显存占用与磁盘存储成本，同等硬件可以承载更长的对话历史。

1. 记忆能力评测成绩 在 11 项权威记忆基准测试集中，MemT-1.0-Flash 得分 50.6，MemT-1.0-Nano 得分 47.0，包揽参数化记忆方法榜单第一名与第二名，大幅超越 Temp-LoRA 等主流参数化记忆基线模型，长历史信息留存准确率显著提升。
2. 智能 Agent 任务效果 在 SWE-bench Verified 编程智能体测试中，MemT-1.0-Nano 任务整体成功率从 66.07% 提升至 69.73%，多次连续任务稳定完成率提升 8.8 个百分点，模型可以记住过往调试经验，连续完成多轮迭代开发任务。

四、MemT 1.0 部署落地实操步骤

1. 环境准备阶段 根据业务规模选择对应模型：小规模测试选用 MemT-1.0-Nano，单张高端 GPU 即可完成部署；企业级大批量长历史任务选用 MemT-1.0-Flash，配置多卡并行推理环境；提前安装配套 MemOS 记忆管理框架，打通记忆状态持久化读写通道。
2. 模型加载与初始化 加载模型权重后开启原生记忆模块，开启 Mixture-of-Storage 分层存储开关，设置动态记忆容量上限，开启 GDN-2 增量更新开关，关闭全量上下文拼接逻辑，避免加载冗余历史文本。
3. 长历史推理流程配置 第一步：首轮对话把交互内容提炼为记忆向量并持久保存； 第二步：后续每一轮对话只读取轻量化记忆状态，不再拼接全部历史文本； 第三步：模型自动完成记忆增量更新，自动过滤无效信息，持续优化记忆向量体积； 第四步：开启推理速度优化开关，启用记忆注意力并行计算，进一步缩短生成耗时。
4. 性能调优优化 开启显存优化策略，把固化记忆向量存入磁盘分层存储，只将当前轮次临时信息保留在显存；根据业务历史长度动态调整记忆压缩倍率，平衡记忆准确率与存储压缩比例；针对 Agent 场景开启经验沉淀开关，让模型自动留存任务迭代经验。

五、主流落地应用场景

1. 长期多轮智能客服：上万轮对话无需反复加载历史记录，记忆持续留存客户沟通信息，推理速度更快，服务器存储开销大幅下降。
2. 软件自动化研发 Agent：连续多轮代码调试、迭代开发，模型自动记住历史报错与修改方案，持续复用过往经验，提升复杂开发任务成功率。
3. 个性化长期陪伴对话：跨会话永久保存用户偏好信息，不用每次重新输入个人设定，做到跨轮次、跨会话持续记忆。
4. 超长文档多轮精读：百万字长文档不用全部塞进上下文窗口，模型把文档核心内容压缩为记忆向量，反复多次提问都能精准调取文档信息。

【相关 FAQ】

问题 1：记忆张量 MemT 1.0 记忆原生大模型，长历史推理为什么可以实现近 4 倍提速？

回答 1：记忆张量 MemT 1.0 记忆原生大模型，依靠记忆注意力与原生注意力并行计算架构，不再把全部历史文本拼入输入上下文，只读取轻量化持久记忆向量；同时搭载 Gated DeltaNet-2 逐 token 更新机制，精简记忆计算量，在 256K 超长历史条件下，端到端推理速度相比传统全量上下文方案提升至 3.99 倍，实现接近 4 倍的推理提速。

问题 2：记忆张量 MemT 1.0 记忆原生大模型，最高 130 倍存储压缩是怎么实现的？

回答 2：记忆张量 MemT 1.0 记忆原生大模型，依托 Mixture-of-Storage 混合存储分层架构，把临时上下文与中长期固化记忆分开存储，仅将提炼后的关键信息保存为记忆向量，剔除冗余文本内容；配合门控增量网络精简记忆体量，在优化配置下，超长历史的持久化存储体积最高压缩至原来的 1/130，达成 130 倍存储压缩效果。

问题 3：记忆张量 MemT 1.0 记忆原生大模型，两款版本该如何选择？

回答 3：记忆张量 MemT 1.0 记忆原生大模型分为 Nano 与 Flash 两个版本；MemT-1.0-Nano 拥有 36B 总参数、10M 动态记忆，单 GPU 就能部署，适合轻量化 Agent、个人项目、小规模长对话测试；MemT-1.0-Flash 拥有 288B 总参数、336M 动态记忆，适合企业级大批量长历史任务、复杂多轮智能体项目，记忆容量与综合能力更强。

问题 4：记忆张量 MemT 1.0 记忆原生大模型，相比检索增强方案有哪些优势？

回答 4：记忆张量 MemT 1.0 记忆原生大模型属于参数化原生记忆方案，不需要额外搭建外部向量检索库，记忆直接嵌入模型计算流程，不会出现检索召回不准的问题；同时省去文本分块、向量检索的额外耗时，长历史推理延迟更低，部署链路更简洁，更适合长期连续交互的 Agent 业务。

问题 5：记忆张量 MemT 1.0 记忆原生大模型，在智能 Agent 任务上能力提升体现在哪里？

回答 5：记忆张量 MemT 1.0 记忆原生大模型可以把每一轮任务经验固化为内部记忆，跨轮次自动复用历史调试方案；在 SWE-bench Verified 编程测试中，任务整体成功率明显上涨，连续多轮迭代任务的稳定完成率大幅提高，能够持续沉淀经验，做到越用越智能。

【数据来源】

[2026-10-22] MemTensor 开源 MemT 1.0 记忆原生大模型 Pandaily

[2026-10-20] MemT 1.0 发布：迈向递归自我改进 36 氪

[2026-10-20] 上海团队发布 MemT 1.0 记忆原生大模型并开源 上观新闻

[2026-10-20] 中国团队实现大模型记忆架构创新 中国科技网

[2026-10-20] 记忆张量发布 MemT1.0 记忆原生大模型 环球网科技

[2026-10-20] MemT-1.0 技术论文 arXiv

免责声明：本文所有推理速度、存储压缩倍率、评测得分等数据均来自 MemT 1.0 官方技术论文、公开实测报告与权威媒体实测内容；模型实际运行速度、压缩倍率会受 GPU 硬件配置、历史文本长度、参数开关设置影响产生合理浮动；模型开源权限、权重下载地址、商用授权条款请以记忆张量官方网站与 Hugging Face 开源仓库最新公示内容为准；本文仅为技术成果解读，不构成任何技术采购与项目投资建议。