2026 年 10 月 20 日，一支来自上海的团队在 Hugging Face 上开源了 MemT-1.0 系列模型，包含 MemT-1.0-Flash（288B 参数）与 MemT-1.0-Nano（36B 参数）两个版本。它的卖点不是参数更大，也不是跑分更高，而是把「记忆」做成了模型前向传播的一部分——历史信息和任务经验不再需要每次重新塞回上下文，而是以可更新的内部状态存在于模型里。
按研发团队的说法，这套模型的目标是解决一个所有做过长任务的人都会遇到的问题：每次对话都从零开始。你昨天教它的项目约定、上周踩过的坑，今天全得重讲一遍。
技术上改了什么
官方公布的三处架构改动是这样的：
第一，研究团队在选定的 Transformer 模块里引入原生记忆模块，让原有的注意力机制与记忆注意力并行运行。记忆因此不再是外挂在上下文窗口里的文本，而是参与计算的模型内部状态。
第二，更新机制基于 Gated DeltaNet-2，做逐 token 的稳定更新。每轮交互结束后，模型通过擦除、写入与遗忘三个动作，把新信息融进已有记忆，而不是简单地把旧内容覆盖掉。
第三，引入了 MoS（Mixture-of-Storage，混合存储扩容）。记忆模块被扩展成多个「记忆专家」，采用稠密路由，为后续扩大记忆容量留出空间。训练分持续预训练与后训练两个阶段，让模型学会「基于记忆完成任务」。
公布的评测数字
在 11 项记忆基准上，MemT-1.0-Flash 与 MemT-1.0-Nano 的平均得分分别是 50.6 与 47.0，团队称位列本次评估中参数化记忆方法的第一与第二名。
更值得开发者注意的是编程智能体的实测：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% 提升到 69.73%；三次运行全部成功的任务比例从 54.00% 提升到 62.80%。团队把后者解读为「重复执行的一致性增强」。
长历史场景下的收益更明显：Nano 相比完整上下文方式，在 128K 历史下实现约 1.86 倍端到端推理速度，256K 历史下约 3.99 倍；持久化记忆状态的大小约为完整上下文的 1/66。
需要标清楚的是：以上全部为研发团队自行公布的评测结果，目前没有看到第三方独立复现。SWE-bench 类基准对环境配置高度敏感，分数差异是否可迁移到真实项目，还得等社区跑起来才知道。
对从业者的影响
做编程智能体的团队：这次给出的数字里，我认为「三次全部成功比例 54%→62.8%」比平均成功率那 3.66 个百分点更有意义。工程上真正折磨人的不是平均表现差，而是同一个任务跑三遍结果不一样。如果记忆机制能压住这种抖动，它解决的是可交付性问题，而不是跑分问题。
做长上下文应用的团队：1/66 的记忆状态体积加上近 4 倍的速度优势，指向的是一个很具体的成本账：那些现在靠 200K 上下文硬撑、每月为重复输入付费的场景，是最应该评估这套方案的。前提是记忆写入的时机由你的框架控制——官方数据正是在「执行框架在关键断点触发写入」的条件下取得的。
做 AI 工具选型的个人开发者：36B 的 Nano 已经开源权重，本地部署门槛不算高。但请先想清楚一件事：记忆带来的收益高度依赖「有没有值得记住的东西」。如果你的任务每次都是全新的一次性问答，这套机制基本不会带来提升。
站长观点
我的判断是：记忆原生这条路方向是对的，但现在公布的证据还撑不起「大模型从此会成长」这种说法。
理由有两条。第一条，官方自己也留了口子——准确率提升是在特定执行框架触发写入时测到的，说明这套收益不是装上模型就自动到手，而是需要上层框架配合设计断点。这跟很多人想象中「模型自己会记住」差得远。第二条，全部数据来自研发团队自评，缺第三方复现。SWE-bench 上的 3.66 个百分点，在配置稍有变化时就可能被吃掉。
我建议的观察指标不是跑分，而是两个更朴素的：一是记忆更新本身的成本——如果每次写入比重新读一遍上下文还贵，那这套机制在高频场景就跑不通；二是记忆污染问题——模型把一次偶然的错误经验写进去之后，能不能擦掉。这两个问题官方都还没给答案，团队自己也在下一步计划里列了「降低记忆更新成本」。
对做导航站这类信息聚合的从业者，我的取舍是：暂不把这类模型接入生产流程，但值得拿一个真实的重复性任务跑两周对照。真金白银的判断标准是「省下的重复解释时间」能否覆盖「记忆维护的额外成本」，这个账只有自己跑过才算得清。
来源清单
- 新民晚报（腾讯新闻转载）《上海团队发布并开源记忆原生大模型MemT-1.0，让模型"会记住会成长"》，2026-10-20
- MemT-1.0 模型权重开源页（Hugging Face 平台）
参数规模、基准得分、SWE-bench 成功率与推理加速倍数均为研发团队公布数据，核查日期 2026-10-20，以官方开源页面与论文为准；截至目前未检索到第三方独立复现结果。