记忆张量开源记忆原生大模型 MemT1.0：288B/36B 双版，11 项记忆基准居首

架构：让「记忆」成为前向传播的一部分

研发团队在选定的 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，记忆成为模型前向传播的一部分。配套的架构创新包括基于 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 + 后训练两阶段训练。按官方表述，这套设计让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。

效果：记忆基准第一/第二，SWE-bench 明显提升

• 记忆基准11 项记忆基准上，Flash 与 Nano 平均得分 50.6 / 47.0，位列参数化记忆方法第一、第二。
• 编程智能体Nano 在 SWE-bench Verified 500 项任务上平均成功率从 66.07% 提升到 69.73%，三次全部成功比例从 54.00% 提升到 62.80%。
• 长历史场景Nano 相比「完整上下文」方式，端到端推理速度约 1.86 倍（128K）与 3.99 倍（256K）；持久化记忆状态约为其 1/66。

对私有化的含义：长程记忆有了可自持的选项

政企的长对话、长文档、跨会话办公，过去靠「每次把历史重发一遍」或外挂向量库。MemT1.0 把记忆做进模型本身，等于给「长程记忆」提供了一个可内网自持、可随模型一起离线的实现路径。36B 的 Nano 版更适合单机或小集群，288B 的 Flash 版面向更高能力场景——同一套记忆能力，可按场景分级配。

来源：澎湃新闻（记忆张量 MemT 1.0 发布并开源，2026-10-20）。基准与加速比为厂商公布口径，以官方发布与复现结果为准。本文仅转述公开报道，不评判任何企业与产品，不构成投资建议。