记忆张量开源记忆原生模型 MemT-1.0：基于 DeepSeek-V4-Flash 和 Qwen3.6，把记忆放进模型计算、不必回传历史；官方承认文本记忆系统整体仍领先

这件事意味着什么

【要点】

上海记忆张量（MemTensor，MemOS 团队）10 月 20 日公布并开源记忆原生模型 MemT-1.0 系列，MIT 许可，权重在 Hugging Face。

一、思路：在骨干模型的注意力旁边加一个「原生记忆块」，由动态的局部记忆和可训练的超记忆两部分组成。对话或片段结束时更新记忆状态，之后推理时直接读记忆，不必再提供原始历史文本。记忆状态大小固定，官方称在 128K 历史长度下，存储比完整上下文 KV 缓存少约 66 倍。

二、两款模型：MemT-1.0-Nano 基于 Qwen3.6-35B-A3B，总参数 36B、激活 3B，可训练记忆参数 451M；MemT-1.0-Flash 基于 DeepSeek-V4-Flash，总参数 288B、激活 17B，可训练记忆参数 3.61B，动态记忆状态 336M。

三、训练：两阶段训练，用了 34B token 数据。

四、效果（官方自测）：在 11 个记忆基准上，Flash 和 Nano 在参与比较的「参数化记忆」方法中分列第一、第二。模型卡也写明，强的文本记忆系统整体仍然领先，尤其是需要从很长历史中找细节证据的任务。

五、另外演示了把检索到的经验存进原生记忆、用于长程编码智能体，称不增加上下文文本也能提升任务表现。技术报告 PDF 已随权重发布，arXiv 版本标注「即将发布」。

【可核验】

模型（Flash）：https://huggingface.co/MemTensor/MemT-1.0-Flash

模型（Nano）：https://huggingface.co/MemTensor/MemT-1.0-Nano

代码：https://github.com/MemTensor/MemT-1.0

【我们的判断】

一、这是把「记忆」从外挂的 RAG、向量库搬进模型计算本身的一次开源尝试，而且建在 DeepSeek-V4-Flash 和 Qwen3.6 这类现成开源骨干上，别人可以直接复现。

二、团队自己承认文本记忆系统整体仍更强，所以目前的意义在于存储成本低、不必回传历史，而不是记得更准。

三、所有成绩都是官方自测，还没有第三方复现；Flash 总参数 288B，自行部署门槛高。