据爱范儿报道，记忆张量2026年10月20日发布并开源记忆原生大模型 MemT 1.0。该模型将记忆状态内化进底层架构，并通过训练学习读写、更新和调用记忆，使交互中积累的信息直接参与后续生成计算，区别于外挂检索方案。
MemT 1.0 将模型能力拆为主干网络和动态记忆状态。主干网络承载通用认知，动态记忆状态在不同用户或任务间独立存在，在持续交互中吸收新信息。每轮对话结束后，模型通过 token 级更新机制刷新记忆状态，由训练得到的门控机制决定保留或覆盖哪些内容；后续任务中，并行记忆注意力机制提取这些状态参与当前计算。团队用340亿 token 数据训练该机制，其中200亿用于继续预训练，140亿用于后训练；记忆状态采用固定体积，并引入 Mixture-of-Storage 架构分配存储读写。
技术报告称，在11项系统记忆基准测试中，闭卷作答的 MemT-1.0-Flash 和 MemT-1.0-Nano 均分分别为50.6和47.0，分别领先同组最强参数化记忆基线12.5分和8.9分。消融实验显示，拿掉后训练后 Nano 均分从47.0降至36.3；MoS 记忆专家从2个增至4个，均分最高提升2.7分。测试中，约16K token 历史内用户未提供生日时，模型回答不知道；在3.3万 token 对话中，模型依据早先规则核对徽章与登记状态，判断两人中一人合规、一人未登记。
编程任务上，团队从数万条成功轨迹提炼上千条可复用经验，筛出4.2万余条“无经验做错、补上经验后成功”的样本训练 Nano 的记忆原生模块。SWE-bench Verified 的500项任务中，提前写入经验的 Nano 平均成功率从66.07%升至69.33%，三次全成率从54.00%升至61.60%。实战模式下，模型先独立做题，遇到报错、空返回或连续三次原地打转时写入匹配经验，平均成功率和三次全成率分别为69.73%和62.80%；在 SWE-bench Multilingual 的300项任务中，平均成功率从60.00%升至63.56%，三次全成率从45.33%升至55.33%。
技术报告还称，在双 GPU、单并发、batch size 为1的条件下，处理64K token 历史时，Nano 相对完整上下文方案的端到端推理速度约为1.20倍；历史增至128K和256K token 时，分别约为1.86倍和3.99倍。128K token 历史下，恢复单条交互历史所需的持久状态存储约为完整上下文 KV cache 的六十六分之一，不计共享模型权重。
报道称，MemT 1.0 面向长周期陪伴和团队经验复用等场景，真实业务反馈可持续刷新外部经验库，模型则将团队规范逐步内化。记忆张量此前做过 Memory³ 分层研究和 MemOS 系统探索，MemT 1.0 是其将记忆放入底层架构的新版本。