记忆张量开源MemT 1.0：长历史推理提速近4倍，存储缩减130倍

　　10 月 20 日消息，今日，记忆张量（MemTensor）正式发布并开源记忆原生基础模型 MemT 1.0 系列，包括 MemT-1.0-Flash 和 MemT-1.0-Nano 两款模型。根据官方公布的测试结果，该系列模型在 11 项记忆基准中位列同类方法前两名，长历史场景下端到端推理速度最高提升近 4 倍。

　　据介绍，MemT 1.0 采用可训练的内部记忆模块，将历史信息与任务经验写入固定大小的记忆状态，后续任务可直接调用，无需反复输入完整历史文本。模型基于 340 亿 Token 训练语料，通过两个阶段分别学习记忆写入和记忆调用能力。

　　性能方面，在 11 项记忆基准测试中，MemT-1.0-Flash 平均得分 50.6 分，MemT-1.0-Nano 平均得分 47.0 分，分别位列参数化记忆方法第一、第二。

　　效率方面，在 128K 历史长度下，MemT 1.0 端到端推理速度提升约 1.86 倍；在 256K 历史长度下提升约 3.99 倍，查询首字延迟保持在 104 至 112 毫秒。相比之下，传统完整上下文方案在 256K 历史下的首字延迟约为 445 毫秒。

　　存储方面，在 256K 历史长度下，MemT 1.0 每条会话的记忆状态约占 40 MiB，较传统方案的 5.06 GiB 缩减约 130 倍。

　　此外，在编程智能体测试中，MemT-1.0-Nano 引入历史解题经验后，在 SWE-bench Verified 上的平均成功率由 66.07% 提升至 69.73%，在 SWE-bench Multilingual 上的平均成功率由 60.00% 提升至 63.56%。

　　目前，MemT 1.0 模型权重已通过 Hugging Face 和 GitHub 开放。记忆张量表示，后续将继续提升长期记忆能力、扩展记忆容量，并降低记忆更新成本。（定西）