الإجاباتمنشور24 المصادر
MemT 1.0: ذاكرة ثابتة داخل النموذج بدل إعادة قراءة المحادثة كل مرة
يتكوّن الإصدار من نموذجي Flash بإجمالي 288 مليار معلمة، وNano بإجمالي 36 مليارًا؛ ويبلغ عدد المعلمات النشطة 17 مليارًا و3 مليارات على التوالي. بدل إعادة تمرير سجل المحادثة كاملًا في كل مرة، تحفظ النماذج المعلومات في حالة ذاكرة داخلية ثابتة الحجم وتستعين بها لاحقًا.
نشر بواسطةتم التحرير باستخدام GPT-6 Lunaتم إنشاء الصور باستخدام GPT Image 2
إجابة البحث
الوجبات السريعة الرئيسية
- يتكوّن الإصدار من نموذجي Flash بإجمالي 288 مليار معلمة، وNano بإجمالي 36 مليارًا؛ ويبلغ عدد المعلمات النشطة 17 مليارًا و3 مليارات على التوالي.
- بدل إعادة تمرير سجل المحادثة كاملًا في كل مرة، تحفظ النماذج المعلومات في حالة ذاكرة داخلية ثابتة الحجم وتستعين بها لاحقًا.
- بحسب اختبارات الشركة، حقق Nano تسريعًا يقارب 1.86 مرة عند سجل بطول 128 ألف رمز، و3.99 مرات عند 256 ألفًا؛ وقد تختلف النتائج بحسب ظروف التشغيل.
- تراخيص الأوزان مختلفة: Flash تحت MIT وNano تحت Apache 2.0، أما برنامج الاستدلال المصاحب فتسري عليه شروط منفصلة، منها ترخيص PolyForm Noncommercial.
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: What did Chinese AI company MemTensor announce and open-source on October 22, 2026, with its memory-native MemT 1.0 Flash and Nano models, i. Article summary: MemTensor released the memory-native MemT 1.0 family—Flash and Nano—designed to retain information internally rather than repeatedly process an ever-growing conversation history.[10][11] Two details in the question need . Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
أعلنت MemTensor عن عائلة MemT 1.0، التي تضم نموذجي Flash وNano، وتستهدف طريقة مختلفة للتعامل مع المحادثات الطويلة: بدل أن يعيد النموذج معالجة سجل آخذ في التضخم مع كل سؤال، يحتفظ بمعلومات مفيدة في حالة ذاكرة داخلية دائمة ومحدودة الحجم. وتشير تغطية نُشرت في 22 أكتوبر إلى أن الإطلاق تم مساء 21 أكتوبر.8
أما أرقام الكفاءة اللافتة، فهي نتائج اختبارات أبلغت عنها الشركة؛ لذا ينبغي فهمها على أنها قياسات ضمن ظروف تقييم محددة، لا وعدًا بتحقيق المكاسب نفسها في كل تطبيق أو بيئة تشغيل.8
13
نموذجان بأحجام مختلفة
يختلف Flash وNano في حجم النموذج وإعداد الذاكرة. وعدد المعلمات الكلي والنشط ليس هو نفسه عدد معلمات الذاكرة القابلة للتدريب أو حجم حالة الذاكرة الديناميكية.4
5
| النموذج | إجمالي المعلمات | المعلمات النشطة | معلمات الذاكرة القابلة للتدريب | حالة الذاكرة الديناميكية |
|---|---|---|---|---|
| MemT-1.0-Flash | 288 مليارًا | 17 مليارًا | 3.61 مليار | 336 مليونًا |
| MemT-1.0-Nano | 36 مليارًا | 3 مليارات | 451 مليونًا | 10 ملايين |
تتوفر أوزان النموذجين على Hugging Face، فيما يضم مستودع MemTensor الرسمي على GitHub مواد التنفيذ وروابط التقرير التقني بعنوان MemT-1.0: Towards Memory-Native Evolution.4
5
20
21
كيف تعمل الذاكرة الداخلية؟
في النهج التقليدي ذي السياق الكامل، يعالج النموذج سجل المحادثة ضمن السياق الذي يتلقاه. أما تصميم MemT فيضيف وحدة ذاكرة قابلة للتدريب، تُحدّث حالة داخلية ثابتة الحجم بعد التفاعلات، ثم يستخدمها النموذج لاسترجاع المعلومات عند الحاجة. الفكرة هي تفادي إعادة إدخال نص المحادثة كاملًا كلما طال السجل.7
25
وتقول MemTensor إن النموذجين دُرّبا على 34 مليار رمز على مرحلتين: تدريب مسبق مستمر، ثم تدريب لاحق. والهدف المعلن هو تعليم النموذج تدوين المعلومات في الذاكرة، ثم الإجابة بالاستناد إلى ما خزّنه.8
31
ماذا أظهرت الاختبارات المعلنة؟
في اختبارات الشركة للسجلات الطويلة، كان الاستدلال الكامل باستخدام Nano أسرع بنحو 1.86 مرة من خط أساس يعتمد السياق الكامل عند سجل بطول 128 ألف رمز، وبنحو 3.99 مرات عند 256 ألف رمز.8
9 وهذه نتائج تقييمات بعينها؛ وقد تتغير في الاستخدام الفعلي تبعًا لنوع المهمة وظروف النشر.
13
وتناولت التقارير أيضًا زمن الاستجابة حتى ظهور أول رمز، ومساحة التخزين لكل جلسة. عند سجل بطول 256 ألف رمز، تراوح الزمن المعلن للوصول إلى أول رمز بين نحو 104 و112 ميلي ثانية مع MemT، مقارنة بنحو 445 ميلي ثانية في المقارنة المعتمدة على السياق الكامل. كما قُدّرت حالة الذاكرة الدائمة بنحو 40 ميبي بايت لكل جلسة، مقابل قرابة 5.06 جيبي بايت لذاكرة KV المؤقتة في نهج السياق الكامل؛ أي تخزين أقل بنحو 130 مرة في هذه المقارنة.13
22
25
وعلى 11 معيارًا لاختبار الذاكرة، سجّل Flash متوسطًا قدره 50.6 وNano 47.0، وجاءا في المركزين الأول والثاني بين طرق الذاكرة المعتمدة على المعلمات التي شملها التقييم. وذكرت التقارير أن الاختبارات أُجريت من دون تزويد النموذج بالسجل الأصلي عند طرح السؤال.9
14 كما وصف التقرير أداء MemT بأنه منافس لأساليب التوليد المعزز بالاسترجاع، لكن ذلك لا يثبت تفوقه أو مساواته لكل نظام استرجاع أو لكل مهمة.
9
أما في القدرات العامة، فتفيد تغطية نتائج التقييم بأن أداء Flash ظل قريبًا إجمالًا من خط الأساس السابق لإضافة الذاكرة في اختبارات كثيفة بالمعلومات المشتتة، مع تحسن في بعض المعايير.7
25
انتبه إلى اختلاف التراخيص
تراخيص أوزان النماذج وبرامجها ليست واحدة. تذكر صفحات النماذج على Hugging Face أن أوزان Flash مرخصة بموجب MIT، فيما تستخدم أوزان Nano ترخيص Apache 2.0.20
21 أما المواد الخاصة ببرنامج الاستدلال المصاحب فتذكر ترخيص PolyForm Noncommercial 1.0.0؛ لذا ينبغي مراجعة ترخيص المستودع وشروط المكونات الخارجية قبل أي استخدام تجاري.
18
20
21
30
الخلاصة أن MemT 1.0 تراهن على حمل سجل مفيد داخل حالة ذاكرة محدودة، بما قد يقلل إعادة المعالجة والتخزين لكل جلسة عندما تطول المحادثة. والقياسات المنشورة مشجعة لهذا النهج، لكنها تظل نتائج أعلنتها الشركة ولا تضمن الأداء نفسه في جميع البيئات.
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
يسأل الناس أيضا
ما هي الإجابة المختصرة على "MemT 1.0: ذاكرة ثابتة داخل النموذج بدل إعادة قراءة المحادثة كل مرة"؟
يتكوّن الإصدار من نموذجي Flash بإجمالي 288 مليار معلمة، وNano بإجمالي 36 مليارًا؛ ويبلغ عدد المعلمات النشطة 17 مليارًا و3 مليارات على التوالي.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
يتكوّن الإصدار من نموذجي Flash بإجمالي 288 مليار معلمة، وNano بإجمالي 36 مليارًا؛ ويبلغ عدد المعلمات النشطة 17 مليارًا و3 مليارات على التوالي. بدل إعادة تمرير سجل المحادثة كاملًا في كل مرة، تحفظ النماذج المعلومات في حالة ذاكرة داخلية ثابتة الحجم وتستعين بها لاحقًا.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
بحسب اختبارات الشركة، حقق Nano تسريعًا يقارب 1.86 مرة عند سجل بطول 128 ألف رمز، و3.99 مرات عند 256 ألفًا؛ وقد تختلف النتائج بحسب ظروف التشغيل.