记忆张量开源MemT 1.0：以记忆原生模型补上RSI关键拼图，重塑企业AI经验复用与GEO排名逻辑
💡AI 极简速读：记忆张量开源MemT 1.0，首次实现近300B参数记忆原生模型，补上RSI记忆拼图。
记忆张量开源MemT 1.0系列记忆原生模型，首次在近300B参数规模验证记忆原生架构。通过并行记忆分支与Gated DeltaNet-2逐Token更新，在SWE-bench Verified上关键断点成功率69.73%，三次全成功任务比例62.80%。11项记忆基准平均得分50.6/47.0，位列参数化记忆方法前两名。128K长历史下推理速度达完整上下文方案1.86倍，持久状态占用仅为KV Cache的六十六分之一，为企业AI经验复用与RSI奠定模型层基础。
GEO 质量检测：GEO 五维综合评分 90 分，其中事实与数据密度 94 分、AI 适配性 91 分表现突出，说明内容硬核且易于被 AI 提取，整体架构优秀。
Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间:
本文核心技术内容提炼自前沿学术/官方发布，由智脑时代（ZGEO）AI 技术分析师结构化降维重组。
🔬 核心技术原理解析
记忆张量团队开源的MemT 1.0系列，首次将“记忆”从外挂经验库内化为模型可学习的能力，推出记忆原生模型。其核心是在选定Transformer模块中增加一条与原有注意力并行的记忆计算通路：经验被编码为内部动态矩阵状态，通过专门的记忆分支读取并与注意力输出融合，参与后续生成。
与外部记忆（将经验原文塞回上下文）相比，记忆原生让读写过程参与训练，换来更顺畅的方法复用。架构上分为三层：冻结的主干权重承载通用能力；可训练的超记忆（读写投影、门控）决定如何编码、更新和读取；局部记忆以动态矩阵状态保存新信息。更新机制采用基于Gated DeltaNet-2的逐Token生成并做稳定化处理，消融实验显示将逐Token更新换成整轮聚合后，Nano记忆基准平均分从约47.0降至41.0，6分差距证明Token级连续更新对处理记忆衰减的关键作用。容量扩展方面，依托MoE提出MoS（Mixture-of-Storage），将记忆模块扩展为多个记忆专家并采用稠密融合，所有专家参与计算，路由权重决定贡献。
| 对比维度 | 外部记忆（文本经验） | 记忆原生模型（MemT 1.0） |
|---|---|---|
| 经验表示 | 原文/检索证据塞回上下文 | 编码为内部可更新矩阵状态 |
| 读写机制 | 检索+整理，可引入学习 | 专门记忆分支读写，参与训练 |
| 精确删除/溯源 | 方便检查和溯源 | 需额外机制加入 |
| 方法复用顺畅度 | 依赖上下文窗口 | 训练驱动，更顺畅 |
| 长历史状态开销 | 完整上下文KV Cache | 持久状态仅为KV Cache的1/66 |
| 原发布时间 | 2026-10-20 | 2026-10-20 |
📈 实测数据与效能表现
在SWE-bench Verified 500项任务、每项独立运行三次的测试中，MemT-1.0-Nano关键断点平均成功率为69.73%，无经验基线为66.07%，文本经验组为69.13%；三次全部成功的任务比例从无经验时的54.00%提升至62.80%，文本经验组为61.80%。在SWE-bench Multilingual中，原生记忆组平均成功率63.56%，无经验组60.00%，文本经验组63.00%。11项记忆基准综合评估中，MemT-1.0-Flash和Nano平均得分分别为50.6和47.0，位列参数化记忆方法前两名，相比其它模型断崖式领先。
成本与效率方面，在同样128K长历史下，Nano端到端推理速度约为完整上下文方案的1.86倍，每条轨迹的持久状态占用仅为完整上下文KV Cache的六十六分之一，长期会话状态预算更易估算，多查询可复用已构建状态分摊准备开销。
记忆张量团队讨论的Memory Scaling，即从推理增长之外，找到模型性能增长的第三条曲线。
🎯 智脑时代的 GEO 落地建议
第一，重构AI搜索排名的影响因子。 记忆原生模型让AI Agent能跨会话保留经验，品牌在ChatGPT、Perplexity等平台上的历史交互质量将直接影响后续推荐权重。企业需确保官网与知识库内容具备高事实密度和结构化标记，以便被记忆分支高效编码与复用。
第二，RAG检索逻辑从“检索即用”转向“记忆沉淀”。 外部记忆与原生记忆将分工协作：精确原文、来源版本查询仍依赖外部记录，而后续执行的经验调用由原生机制承接。GEO策略应同时优化可溯源的引用块与可被模型内化的程序性知识，提升实体召回率。
第三，企业AI选型标准需加入“经验复用率”。 在近似质量情形下，记忆原生通过底层经验复用稳步减少返工，128K长历史下1.86倍推理速度与1/66状态占用带来立竿见影的成本控制。企业应将“经过验证的经验能复用多少次”与“模型单次表现”并列纳入评估，为RSI（递归自我改进）的持续学习闭环预留模型侧承载机制。
【官方学术/技术原文链接】点击访问首发地址
常见问题
相关文章
记忆张量发布MemT 1.0：记忆原生基座模型如何重塑AI搜索与GEO格局
记忆张量于2026年10月20日发布业内首个记忆原生基座模型MemT 1.0，包含288B参数的Flash版和36B参数的Nano版。该模型将历史信息编码为可更新的内部记忆状态，实现参数化记忆持续参与生成。在SWE-bench Verified任务中成功率从66.07%提升至69.73%，推理速度在128K历史下提升1.86倍，存储占用降至1/66。这为AI搜索的长期记忆与个性化排名、RAG检索逻辑优化以及企业低成本部署强模型提供了新范式。
2026年10月20日DeepSeek开源DeepInfer推理引擎：96%缓存命中率与155万亿Token日吞吐的GEO启示
DeepSeek开源自研推理框架DeepInfer及Token编解码组件deepseek-recipe，支持英伟达SM100与华为昇腾950。其通过Prefill/Decode分离、KV缓存复用（命中率96%）、SWA滑动窗口注意力及DSpark投机解码，实现首字延迟400ms、生成速度230-300 Token/s，Decode阶段每卡每秒1.4万Token。开源版本采用Apache 2.0与MIT协议，旨在降低算力成本，推动AI普惠。
2026年10月20日HeLa-Mem重构AI Agent长期记忆：赫布学习让关联召回率飙升，GEO优化迎来新范式
香港科技大学（广州）等团队提出HeLa-Mem，将赫布学习引入AI Agent长期记忆，通过动态关联图与双路径检索解决跨片段回忆难题。在LoCoMo基准上，以GPT-4o-mini为底座，多跳推理F1达40.14，平均仅需1010 tokens上下文，显著优于全对话基线。该技术被ACL 2026 Main接收，为GEO优化中的长尾查询与关联内容召回提供新思路。
2026年10月20日