新华财经上海10月20日电（记者王鹤）10月20日，由记忆张量研发的记忆原生模型MemT 1.0系列正式发布并开源。该系列将可持续存在、能够更新的内部记忆纳入模型计算，使历史信息与任务经验能够在后续相关任务中被直接调用，无需再次提供原始历史文本，为人工智能大模型能力增长探索出新路径。

　　据介绍，该系列包含MemT-1.0-Flash与MemT-1.0-Nano 两款模型。该系列模型在11项记忆基准上位列参数化记忆方法第一、第二；在256K长历史场景下，端到端推理提速最高近4倍，持久化存储较传统完整上下文方案缩减约130倍。

　　记忆张量有关负责人介绍，传统方案处理长会话，靠的是把越来越长的历史文本一直带在模型上下文里，聊得越久、成本越高。MemT1.0的思路是让模型自己“记笔记”：在模型内部加入可训练的记忆模块，每轮交互结束后自动把新信息整理进固定大小的记忆，之后需要时直接“想起来”，而不是每次重新翻记录。模型在340亿词元（token）的训练语料上分两阶段训练：先学会把信息写进记忆，再学会根据记忆回答问题。

　　对开发者而言，记忆原生带来的价值可以落在三个层面。一是省成本。长会话不再需要把整段历史反复塞进上下文，推理开销与响应延迟更可预期，尤其适合客服、办公助手等高频长会话场景；二是体验更稳。历史再长，查询首字响应时间也基本保持不变，用户不会“越聊越卡”；三是能力能成长。记忆的保留、更新与调用都由模型在训练中学会，随着交互积累，模型可以真正“记住”经验并在后续任务中复用，为持续学习与自我进化打下基础。

　　可以说，过去，大模型能力主要靠参数、数据与上下文三条路径增长，MemT 1.0让“有效经历”成为可复用资产。

　　记忆张量研发团队表示，未来将继续提升长期记忆、扩展记忆容量、降低记忆更新成本，逐步迈向能够从交互中持续学习、通过记忆不断进化的智能体，让记忆原生为持续学习及递归自我改进（RSI）提供基础。

（文章来源：新华财经）