【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指数配资服务平台，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等平台开源指数配资服务平台，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）
配资门户网站提示：本文来自互联网，不代表本网站观点。
