AntwortenVeröffentlicht24 Quellen
MemT 1.0 soll langen Gesprächsverläufen ein dauerhaftes Gedächtnis geben
MemTensor hat zwei Modelle mit integriertem Gedächtnis veröffentlicht: Flash mit 288 Milliarden Gesamtparametern und 17 Milliarden aktiven sowie Nano mit 36 Milliarden Gesamtparametern und 3 Milliarden aktiven Paramet... Statt den gesamten Gesprächsverlauf immer wieder einzulesen, halten die Modelle Informationen in...
Veröffentlicht vonBearbeitet mit GPT-6 LunaBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- MemTensor hat zwei Modelle mit integriertem Gedächtnis veröffentlicht: Flash mit 288 Milliarden Gesamtparametern und 17 Milliarden aktiven sowie Nano mit 36 Milliarden Gesamtparametern und 3 Milliarden aktiven Paramet...
- Statt den gesamten Gesprächsverlauf immer wieder einzulesen, halten die Modelle Informationen in einem internen Speicherzustand fester Größe fest.
- Die Gewichte haben unterschiedliche Lizenzen: Flash steht unter MIT, Nano unter Apache 2.0.
KI-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 hat seine Modellfamilie MemT 1.0 mit den Varianten Flash und Nano vorgestellt. Die Modelle sollen wichtige Informationen in einem dauerhaften internen Zustand speichern, anstatt bei jeder Anfrage einen immer längeren Gesprächsverlauf erneut zu verarbeiten. Berichte vom 22. Oktober datieren die Veröffentlichung auf den Abend des 21. Oktober.8 Die Effizienzangaben beruhen auf Tests des Unternehmens und sind keine Garantie für vergleichbare Ergebnisse in jeder Anwendung.
8
13
Zwei Modelle, unterschiedliche Größen
Flash und Nano unterscheiden sich nicht nur bei der Gesamtzahl ihrer Parameter. Auch die trainierbaren Speicherparameter und der dynamische Speicherzustand sind jeweils eigene Größen.4
5
| Modell | Gesamtparameter | Aktive Parameter | Trainierbare Speicherparameter | Dynamischer Speicherzustand |
|---|---|---|---|---|
| MemT-1.0-Flash | 288 Mrd. | 17 Mrd. | 3,61 Mrd. | 336 Mio. |
| MemT-1.0-Nano | 36 Mrd. | 3 Mrd. | 451 Mio. | 10 Mio. |
Die Modellgewichte sind auf Hugging Face verfügbar. Das offizielle GitHub-Repository enthält Implementierungsmaterialien und Verweise auf den technischen Bericht MemT-1.0: Towards Memory-Native Evolution.4
5
20
21
Wie das eingebaute Gedächtnis funktionieren soll
Bei herkömmlicher Verarbeitung mit vollständigem Kontext erhält das Modell den bisherigen Gesprächsverlauf als Teil seiner Eingabe. MemT ergänzt diesen Ansatz um ein trainierbares Gedächtnismodul: Nach Interaktionen aktualisiert es einen internen Speicherzustand fester Größe, aus dem das Modell später Informationen abrufen soll. So soll vermieden werden, dass der immer längere Chatverlauf jedes Mal erneut vollständig eingespeist wird.7
25
Nach Angaben von MemTensor wurden die Modelle in zwei Stufen mit insgesamt 34 Milliarden Tokens trainiert: auf ein fortgesetztes Vortraining folgte ein nachgelagertes Training. Dabei sollte das System lernen, Informationen im Gedächtnis abzulegen und Antworten auf Grundlage des Gespeicherten zu formulieren.8
31
Was die veröffentlichten Tests zeigen
In den von MemTensor berichteten Tests mit langen Verläufen war die Ende-zu-Ende-Inferenz von Nano bei 128.000 Tokens Verlauf etwa 1,86-mal so schnell wie bei einem Vergleichsmodell mit vollständigem Kontext. Bei 256.000 Tokens lag der Faktor bei 3,99.8
9 Das sind Messwerte aus bestimmten Tests; Ergebnisse im praktischen Einsatz können je nach Arbeitslast und Betriebsbedingungen abweichen.
13
Auch die Zeit bis zum ersten Token und der dauerhafte Speicherbedarf pro Sitzung wurden verglichen. Bei einem Verlauf von 256.000 Tokens lag die angegebene Zeit bis zum ersten Token für MemT bei etwa 104 bis 112 Millisekunden, verglichen mit rund 445 Millisekunden beim Vergleich mit vollständigem Kontext. Der persistente Speicherzustand betrug laut Bericht etwa 40 MiB pro Sitzung, gegenüber rund 5,06 GiB für den KV-Cache des vollständigen Kontexts – in diesem Vergleich etwa 130-mal weniger Speicher.13
22
25
In elf Gedächtnis-Benchmarks erzielte Flash einen Durchschnittswert von 50,6, Nano von 47,0. Damit belegten sie unter den geprüften Methoden mit parametrischem Gedächtnis die Plätze eins und zwei. Bei den Tests wurde der ursprüngliche Gesprächsverlauf zum Zeitpunkt der Anfrage nicht mitgeliefert.9
14 Der Bericht beschreibt MemT außerdem als konkurrenzfähig mit Verfahren, die Informationen per Retrieval-Augmented Generation (RAG) abrufen. Das ist jedoch kein Beleg dafür, dass MemT jedes RAG-System oder jede Aufgabe gleich gut bewältigt.
9
Auch die allgemeinen Fähigkeiten wurden betrachtet: Ein Bericht zur Auswertung zufolge blieb Flash bei Tests mit vielen Ablenkungsinformationen insgesamt weitgehend auf dem Niveau seiner Basisversion ohne Gedächtnis; bei einigen Benchmarks gab es Verbesserungen.7
25
Vor dem Einsatz die Lizenzen prüfen
Für Modellgewichte und Software gelten unterschiedliche Bedingungen. Laut den Modellkarten auf Hugging Face stehen die Gewichte von Flash unter MIT und die von Nano unter Apache 2.0.20
21 Für die zugehörige Inferenzsoftware wird PolyForm Noncommercial 1.0.0 genannt. Wer die Software kommerziell einsetzen will, sollte deshalb die Lizenz des jeweiligen Repositories sowie die Bedingungen für Drittanbieter-Komponenten prüfen.
18
20
21
30
Der zentrale Ansatz von MemT 1.0: Ein Modell soll nützliche Gesprächsinformationen in einem begrenzten internen Zustand mitführen. Das könnte bei langen Unterhaltungen wiederholte Verarbeitung und den Speicherbedarf pro Sitzung verringern. Die veröffentlichten Messwerte sind ein interessanter Hinweis auf das Potenzial – bislang aber Unternehmensangaben aus Tests und keine Zusage für jede Bereitstellung.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „MemT 1.0 soll langen Gesprächsverläufen ein dauerhaftes Gedächtnis geben“?
MemTensor hat zwei Modelle mit integriertem Gedächtnis veröffentlicht: Flash mit 288 Milliarden Gesamtparametern und 17 Milliarden aktiven sowie Nano mit 36 Milliarden Gesamtparametern und 3 Milliarden aktiven Paramet...
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
MemTensor hat zwei Modelle mit integriertem Gedächtnis veröffentlicht: Flash mit 288 Milliarden Gesamtparametern und 17 Milliarden aktiven sowie Nano mit 36 Milliarden Gesamtparametern und 3 Milliarden aktiven Paramet... Statt den gesamten Gesprächsverlauf immer wieder einzulesen, halten die Modelle Informationen in einem internen Speicherzustand fester Größe fest.
Was soll ich als nächstes in der Praxis tun?
Die Gewichte haben unterschiedliche Lizenzen: Flash steht unter MIT, Nano unter Apache 2.0.