AnswersPublished24 sources
MemT 1.0 flytter hukommelsen ind i modellen
MemTensor har lanceret to modeller med intern hukommelse: Flash med 288 mia. parametre i alt og 17 mia. Modellerne gemmer information fra samtaler i en intern tilstand af fast størrelse i stedet for at behandle hele den voksende samtalehistorik igen og igen.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- MemTensor har lanceret to modeller med intern hukommelse: Flash med 288 mia. parametre i alt og 17 mia.
- Modellerne gemmer information fra samtaler i en intern tilstand af fast størrelse i stedet for at behandle hele den voksende samtalehistorik igen og igen.
- Vægtene har forskellige licenser: MIT for Flash og Apache 2.0 for Nano. Den tilhørende software har særskilte vilkår, som bør undersøges før kommerciel brug.
AI Prompt
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
MemTensor har lanceret MemT 1.0, en familie af AI-modeller, der forsøger at løse et voksende problem ved lange samtaler: Modellen skal ikke genlæse hele historikken, hver gang den skal svare. I stedet gemmer den relevante oplysninger i en intern hukommelse af fast størrelse. Lanceringen fandt sted om aftenen den 21. oktober, ifølge omtale offentliggjort dagen efter.8
De største effektivitetsgevinster, MemTensor fremhæver, stammer fra virksomhedens egne tests. Resultaterne er derfor målinger under bestemte testforhold – ikke en garanti for samme forbedring i alle løsninger og arbejdsgange.8
13
To modeller med forskellige størrelser
MemT 1.0 består af Flash og Nano. De samlede og aktive parametertal er forskellige fra antallet af parametre, der er afsat til den trænede hukommelse, og størrelsen på modellens dynamiske hukommelsestilstand.4
5
| Model | Parametre i alt | Aktive parametre | Trænede hukommelsesparametre | Dynamisk hukommelsestilstand |
|---|---|---|---|---|
| MemT-1.0-Flash | 288 mia. | 17 mia. | 3,61 mia. | 336 mio. |
| MemT-1.0-Nano | 36 mia. | 3 mia. | 451 mio. | 10 mio. |
Modellernes vægte kan hentes på Hugging Face. MemTensors officielle GitHub-projekt rummer implementeringsmateriale og links til den tekniske rapport MemT-1.0: Towards Memory-Native Evolution.4
5
20
21
En intern hukommelse i stedet for en stadig længere historik
I en traditionel løsning indgår samtalehistorikken i den kontekst, modellen får, når den skal svare. Jo længere samtalen bliver, desto mere tekst skal typisk behandles. MemT bruger i stedet et trænbart hukommelsesmodul, som opdaterer en intern tilstand efter interaktioner og kan hente information frem senere. Målet er at undgå at sende hele den voksende samtale tilbage gennem modellen igen og igen.7
25
Ifølge MemTensor blev modellerne trænet på 34 mia. tokens i to faser: fortsat prætræning efterfulgt af eftertræning. Tanken var blandt andet at lære modellen at skrive oplysninger ind i hukommelsen og senere svare ud fra det, den har gemt.8
31
Hvad viser de offentliggjorte tests?
I MemTensors test af lange historikker var Nanos end-to-end-inferens cirka 1,86 gange hurtigere end en løsning, der behandler hele konteksten, ved 128K tokens historik. Ved 256K tokens var den cirka 3,99 gange hurtigere.8
9 Det er resultater fra bestemte evalueringer; ydeevnen kan variere med opgaven og den konkrete opsætning.
13
Virksomhedens tal sammenligner også tiden frem til det første svar-token og lagerforbruget pr. session. Ved en historik på 256K tokens var den rapporterede tid til første token cirka 104–112 millisekunder for MemT mod omkring 445 millisekunder for fuld kontekst. Den vedvarende hukommelsestilstand fyldte ifølge testen cirka 40 MiB pr. session, sammenlignet med omkring 5,06 GiB for fuld-kontekst-løsningens KV-cache – omtrent 130 gange mindre i den sammenligning.13
22
25
På 11 hukommelsesbenchmarks fik Flash et gennemsnit på 50,6 og Nano 47,0. De lå dermed på første- og andenpladsen blandt de parametriske hukommelsesmetoder, der blev evalueret. I disse tests fik modellerne ikke den oprindelige historik udleveret, da de skulle besvare forespørgsler.9
14 Rapporten beskriver også resultaterne som konkurrencedygtige med metoder, der bruger informationssøgning, men det er ikke dokumentation for, at MemT matcher alle sådanne systemer på alle opgaver.
9
I test med mange forstyrrende oplysninger var Flashs generelle evner ifølge omtalen overordnet set på niveau med modellens udgangspunkt uden hukommelsen. På nogle benchmarks blev der rapporteret forbedringer.7
25
Tjek licensen, før koden bruges kommercielt
Modelvægtene og den tilhørende software har forskellige licensvilkår. Flash-vægtene er udgivet under MIT, mens Nano-vægtene bruger Apache 2.0.20
21 Den tilhørende inferenssoftware er beskrevet med licensen PolyForm Noncommercial 1.0.0. Undersøg licensen for det relevante projekt og vilkårene for tredjepartskomponenter, før softwaren bruges kommercielt.
18
20
21
30
MemT 1.0 bygger på idéen om, at en model kan føre nyttig samtalehistorik videre i en intern tilstand med fast størrelse. Det kan potentielt mindske gentagen behandling og lagerforbrug i lange samtaler. De offentliggjorte tests giver lovende målinger, men er virksomhedens egne resultater – ikke en garanti for, hvad man får i enhver driftssituation.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "MemT 1.0 flytter hukommelsen ind i modellen"?
MemTensor har lanceret to modeller med intern hukommelse: Flash med 288 mia. parametre i alt og 17 mia.
What are the key points to validate first?
MemTensor har lanceret to modeller med intern hukommelse: Flash med 288 mia. parametre i alt og 17 mia. Modellerne gemmer information fra samtaler i en intern tilstand af fast størrelse i stedet for at behandle hele den voksende samtalehistorik igen og igen.
What should I do next in practice?
Vægtene har forskellige licenser: MIT for Flash og Apache 2.0 for Nano. Den tilhørende software har særskilte vilkår, som bør undersøges før kommerciel brug.