上海团队开源记忆原生大模型MemT-1.0：288B参数、11项基准第一

10月20日，上海记忆张量团队正式发布并开源记忆原生大模型MemT-1.0系列。与传统大模型每次对话从零开始不同，MemT-1.0将可持续存在、能够更新的内部记忆纳入模型计算，让历史信息与任务经验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。

架构创新：记忆注意力与混合存储路由

此次开源包含两款模型：MemT-1.0-Flash（288B参数）与MemT-1.0-Nano（36B参数）。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。架构创新体现在三方面：

一是基于Gated DeltaNet-2的逐token稳定更新机制，在每轮交互结束后通过擦除、写入与遗忘，将新信息融入已有记忆；二是引入Mixture-of-Storage（MoS）混合存储扩容，将记忆模块扩展为多个记忆专家并采用稠密路由；三是通过持续预训练与后训练两阶段训练，使模型具备基于记忆完成任务的能力。

评测结果：11项记忆基准第一，记忆调用意图写入可提成功率

评测结果显示，在11项记忆基准上，MemT-1.0-Flash与MemT-1.0-Nano的平均得分分别为50.6与47.0，位列本次评估的参数化记忆方法第一、第二。在编程智能体实测中，由执行框架在关键断点触发经验写入时，Nano在SWE bench Verified的500项任务上平均成功率从66.07%提高至69.73%，三次全部成功的任务比例由54.00%提高至62.80%。

在长历史场景下，Nano相比完整上下文方式实现约1.86倍（128K历史）与3.99倍（256K历史）的端到端推理速度提升，持久化记忆状态约为其1/66。业内分析认为，记忆原生为持续学习与递归自我改进提供了基础，有望推动大模型从「会推理」走向「会积累、会成长」。

目前MemT-1.0系列已通过Hugging Face等平台开源，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能力并扩展记忆容量。