MemT 1.0：把记忆做成 AI 的底层能力

你花一下午教 AI 改对了报告格式，第二天开个新会话，它又用回老格式。做事了，但没学会。市面上的补救办法大多是外挂一个检索库，用时翻笔记，本质上还是查备忘录。

一、发生了什么

10 月 20 日，据爱范儿报道，记忆张量（MemTensor）发布并开源了 MemT 1.0 记忆原生大模型，代码和权重分别放在 GitHub 和 Hugging Face 上。

它和主流方案的根本区别是记忆的位置：不是挂在模型外面，而是内化进架构。模型分成两部分，主干网络负责通用能力，动态记忆状态则像一份随交互实时更新的专属档案，不同用户之间互相隔离。每轮对话结束时，模型在 token 级别刷新记忆，哪些该留、哪些该覆盖，由训练学出的门控机制自己判断。记忆体积固定，只更新已有矩阵，不随聊天长度膨胀。

训练花了 340 亿 token，分两步：200 亿做继续预训练，140 亿做后训练。在覆盖 11 项基准的系统记忆测试里，闭卷作答的 Flash 和 Nano 版本均分分别拿到 50.6 和 47.0，领先同组最强基线 12.5 分和 8.9 分。一个耐看的细节是 500 多轮、约 6.6 万 token 的对话里，展览改期到周日的信息被准确记住，中间顺嘴提过又没用上的周一备选方案也没被误当定论。

工程账也算得过来：双 GPU 测试条件下，处理 12.8 万 token 历史时端到端推理速度约为完整上下文方案的 1.86 倍，存储开销约为后者的六十六分之一。

二、跟你有什么关系

做 AI 应用的开发者：长周期陪伴类、助理类产品多了一个开源底座选项，记忆不再是外挂补丁。

团队用 AI 写代码的工程负责人：实测显示经验内化能提升编程任务成功率，团队规范有机会沉淀成模型直觉。

普通用户：这类能力还没进你日常用的聊天产品，短期不用急着换工具。

三、怎么判断

1. 看你的场景是不是「长周期」。几轮以内的短对话，拉长上下文加向量库就够，没必要上记忆原生方案。
2. 看记忆测试的口径。11 项基准覆盖长期保留、动态更新、个性化理解，历史跨度从 1.6 万到百万 token，比单点跑分更有参考价值。
3. 看编程实测的对比方式。SWE-bench Verified 上，把经验写进内部记忆的成功率为 69.33%，和直接把文本经验塞进上下文的 68.87% 基本持平，优势在省上下文，不在能力跃升。

四、三个别信的说法

「AI 终于有长期记忆了，换会话不再丢。」 现在下这个结论太早。MemT 1.0 是新开源模型，跑分来自自家技术报告口径，真实产品里的表现要等第三方验证。

「记忆原生一定比外挂检索好。」 不一定。短对话场景外挂方案更成熟、更便宜，固定体积的记忆写满了也可能互相挤占，各有适用边界。

「跑分领先 12 分等于体验领先。」 错。基准分数和你在真实应用里感受到的「懂你」之间还隔着产品设计、记忆策略调优好几层。

五、一句话结论

养成系 AI 的关键从来不是记住聊天记录，而是把反馈变成下一次的做事方式。

信息来源

• 押注记忆原生，MemT 1.0 破局养成系 AI 下半场 - 爱范儿（2026 年 10 月 20 日）

功能与价格以官方公告为准。本文写于 2026 年 10 月 20 日。