MemT 1.0 发布：迈向递归自我改进，让记忆成为模型内生能力

MemT 1.0 作为业内首个记忆原生基座模型发布，包含两个不同参数规格的版本，是当前业内最大的开源参数化记忆模型。它打破过往外挂式记忆的思路，将历史信息编码为可持续更新的内部记忆状态，在 Transformer 层中并联原有注意力与参数化记忆，通过动态局部记忆与超记忆配合，搭配多类门控机制与混合存储机制，实现记忆的原生读写与跨会话延续，无需反复将历史文本注入上下文，也无需为每次交互微调基座。该模型通过三轨数据流水线结合蒸馏对齐完成训练，在智能体任务、多语言任务、各类记忆基准测试中表现优于现有参数化记忆基线，长历史场景下的推理速度、存储占用效率相比完整上下文方案优势显著，可实现单会话持久状态大小与历史长度增长解耦，做到模型越用越高效、越用越便宜。它补齐了大模型记忆架构的长期缺口，让经验积累直接参与后续推理，为 AI 递归自我改进提供了必要的架构基础，也能让部署方沉淀独有的模型资产，为大模型开辟了新的增长路径。