【AI 奏折】2026年10月22日

共收录 2 篇深度内容

📋 今日内容速览

快速浏览，点击感兴趣的推文查看详细分析

1. Berryxia.AI: 中国团队发布全球首个记忆原生大模型MemT 1.0。
2. 向阳乔木: MemT 1.0将记忆内化于模型实现自我进化。

📖 详细内容

Berryxia.AI @berryxia

| 影响力: 39.76k万粉丝

💡 核心观点: 中国团队发布全球首个记忆原生大模型MemT 1.0。

可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: MemT 1.0是全球首个记忆原生大模型，由国内团队MemOS_dev开发 (可通过团队公开的Hugging Face页面（http://huggingface.co/collections/MemTensor/memt-）验证模型存在性及基础信息，但“全球首个”需横向对比其他研究机构公开成果，目前缺乏权威第三方确认。)
• ◐ 部分可验证: MemT 1.0在11个记忆基准上平均表现超过参数化记忆基线，且历史长度128K时推理提速1.86倍 (需查看团队发布的基准测试数据或论文（若公开），但推文未提供具体测试方法或数据来源。性能提升声明需独立复现实验验证。)
• ◐ 部分可验证: 模型能通过内化经验复用提升任务表现，如在编程Agent上任务成功率超过无经验Agent (需验证SWE-bench测试集上的具体结果（如公开排行榜），但“内部Coding/Working测试性能提升5%”涉及未公开数据，无法直接验证。)

原文内容:

卧槽，全球首个记忆原生大模型发布，来自咱国内团队！

做这件事的是开源记忆操作系统 MemOS 的团队 @MemOS_dev。
从 2024 年的记忆分层大模型 Memory，到 2025 年开源的 MemOS，他们一直在死磕「记忆」这件事。

昨天，他们把记忆直接做进了模型本体：MemT 1.0。

过去让模型变强，靠的是更多参数、更多数据、更长上下文。
MemT 1.0 走的是另一条路：让「记住、更新、调用经验」本身，成为模型可以学习的能力。

两个看点：

① 架构创新：记忆操作进入模型计算过程 采用记忆原生 MoE 架构，把历史信息编码成持续存在、可更新的内部记忆状态。
记忆的写入、保持、更新和读取，全部发生在模型的计算里，而不是挂在模型旁边的外部检索。

  在 11 个记忆基准上，平均表现超过参数化记忆基线，通用能力基本没有掉。
  历史长度 128K 时，Nano 端到端推理提速约 1.86 倍，持久存储比全量 KV Cache 小 66 倍。 
 记忆状态大小固定，交互再多也不会膨胀：256K 历史下全上下文要占约 5 GiB，Nano 只要 40 MiB。 

结果就是：模型能自我反思、自我进化，长程任务保持一致，不跑偏。

② 经验复用：有效反馈作用于后续任务 在内部记忆的基础上，MemT 1.0 从真实任务的交互、指导和纠错中积累经验，并在后续相关任务里复用。
同样的错，不用再教第二遍。

  用在编程 Agent 上，把过往经验内化进原生记忆后，在 SWE-bench Verified 和 SWE-bench Multilingual 上，任务成功率和多次运行的一致性都超过无经验的 Agent，效果和显式文本经验相当。 

 团队内部的 Coding、Working 测试中，性能提升超过 5%。

两个尺寸： 
· Nano：36B 总参数，3B 激活，10M 动态记忆 。
·Flash：288B 总参数，17B 激活，336M 动态记忆 训练数据 34B tokens。

「今天正确的经验，会成为明天的能力。」

这句话值得读两遍。没有积累，就没有递归。留不住的进步，成不了下一轮的起点。

参数决定模型的起点，记忆决定它能长多高。

模型地址：http://huggingface.co/collections/MemTensor/memt-10…

⏰ 19:44 | ❤️ 29点赞 | 📝 554字 | 查看原文 →

↑ 返回顶部

向阳乔木 @vista8

喜欢摇滚乐、爱钓鱼的PM
网站：https://qiaomu.ai | 影响力: 0万粉丝

💡 核心观点: MemT 1.0将记忆内化于模型实现自我进化。

可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: MemT 1.0是全球首个”记忆原生”大模型（MoE架构） (需通过官方论文或技术文档验证其”记忆原生”定义及”全球首个”的宣称，但目前推文未提供直接来源链接，需进一步检索。)
• ◐ 部分可验证: MemT 1.0将记忆直接写入模型内部，实现写入、保持、更新、读取的全计算过程 (技术实现细节需依赖官方发布的架构说明或论文，但推文未附具体技术文档，需进一步查阅公开资料确认其机制。)
• ✓ 可验证: MemT 1.0的记忆机制类似”大脑中的经验”，可从纠错中学习并沉淀能力 (该描述为类比性解释，缺乏具体实验数据或性能对比（如与ChatGPT等模型的差异），属于技术愿景或主观观点。)

原文内容:

我去，这个大模型有点意思啊！
MemT 1.0 ：全球首个"记忆原生"  大模型（MoE构架）

现在 ChatGPT 、Claude Codex 都支持记忆，但都记在模型外部（记忆库/对话历史），用时检索注入上下文。

记忆来源于用户要求和对话自动保存，记再多，模型本身不会变，只是能看到更多信息。

MemT 1.0 直接把记忆做到模型内部，写入、保持、更新、读取全纳入模型计算过程。

模型会从用户的交互、指导、反馈纠错中积累经验，变成模型可以学习的能力，实现模型自我反思、进化。

完全是为为 RSI（递归自我改进）铺路啊！

ChatGPT 等模型的记忆可类比为 "外挂笔记本"，写下来记住，需要时再翻看，记住的是信息。

MemT 1.0 的记忆是更像 "大脑中的经验"，从纠错中学，下次就不犯错了，沉淀的是能力。

这好像才是更像人类大脑的长期记忆系统。

第二条论文中的技术解读和实验，感觉这开拓了一个解决记忆问题的新思路，很有价值。

⏰ 09:04 | ❤️ 30点赞 | 📝 290字 | 查看原文 →

↑ 返回顶部