RespuestasPublicado24 fuentes
MemT 1.0: qué cambia cuando un modelo incorpora memoria persistente
MemTensor lanzó dos modelos con memoria integrada: Flash, con 288.000 millones de parámetros totales y 17.000 millones activos, y Nano, con 36.000 millones y 3.000 millones activos. En lugar de volver a procesar la conversación completa, los modelos actualizan un estado interno de tamaño fijo y lo usan para recupera...
Publicado porEditado con GPT-6 LunaImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- MemTensor lanzó dos modelos con memoria integrada: Flash, con 288.000 millones de parámetros totales y 17.000 millones activos, y Nano, con 36.000 millones y 3.000 millones activos.
- En lugar de volver a procesar la conversación completa, los modelos actualizan un estado interno de tamaño fijo y lo usan para recuperar información.
- La empresa reporta que Nano fue hasta 3,99 veces más rápido en una prueba con 256.000 tokens de historial; los resultados dependen de las condiciones de evaluación.
- Los pesos tienen licencias distintas: MIT para Flash y Apache 2.0 para Nano. El software asociado tiene otros términos, que conviene revisar antes de usarlo.
Prompt de IA
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 presentó su familia MemT 1.0 —Flash y Nano—, modelos diseñados para conservar información útil en un estado interno persistente, en vez de procesar una y otra vez un historial de conversación cada vez más largo. La cobertura publicada el 22 de octubre sitúa el anuncio en la noche del 21.8 Las cifras destacadas de eficiencia proceden de pruebas reportadas por la empresa: son resultados de evaluaciones concretas, no una garantía de que se repitan en cualquier entorno.
8
13
Qué modelos presentó MemTensor
Flash y Nano difieren en tamaño y configuración de memoria. Los parámetros totales y activos no son lo mismo que los parámetros de memoria entrenables ni que el estado dinámico que el modelo mantiene.4
5
| Modelo | Parámetros totales | Parámetros activos | Parámetros de memoria entrenables | Estado dinámico de memoria |
|---|---|---|---|---|
| MemT-1.0-Flash | 288B | 17B | 3,61B | 336M |
| MemT-1.0-Nano | 36B | 3B | 451M | 10M |
Los pesos de los modelos están disponibles en Hugging Face. El repositorio oficial de GitHub incluye materiales de implementación y enlaces al informe técnico, MemT-1.0: Towards Memory-Native Evolution.4
5
20
21
Cómo funciona la memoria interna
En un enfoque convencional de contexto completo, el modelo recibe el historial de la conversación como parte del contexto que debe procesar. MemT añade, en cambio, un módulo de memoria entrenable que actualiza un estado interno de tamaño fijo después de las interacciones y lo utiliza más adelante para recuperar información. La idea es evitar que el modelo tenga que volver a recibir una transcripción cada vez más extensa.7
25
Según MemTensor, los modelos se entrenaron con 34.000 millones de tokens en dos etapas: preentrenamiento continuo y posentrenamiento. El objetivo declarado era enseñar al sistema a guardar información en la memoria y a responder usando lo que había almacenado.8
31
Qué muestran las pruebas reportadas
En las pruebas de la empresa con historiales largos, la inferencia de principio a fin de Nano fue aproximadamente 1,86 veces más rápida que la de una referencia de contexto completo con 128.000 tokens de historial, y 3,99 veces más rápida con 256.000 tokens.8
9 Son resultados de evaluaciones específicas; el rendimiento real puede variar según la carga de trabajo y las condiciones de implementación.
13
Los informes también comparan el tiempo hasta el primer token y el almacenamiento por sesión. Con 256.000 tokens de historial, el tiempo reportado hasta el primer token fue de alrededor de 104 a 112 milisegundos para MemT, frente a unos 445 milisegundos en la comparación de contexto completo. El estado de memoria persistente ocupó unos 40 MiB por sesión, frente a aproximadamente 5,06 GiB para la caché KV de contexto completo: cerca de 130 veces menos almacenamiento en esa comparación.13
22
25
En 11 pruebas de memoria, Flash obtuvo una media de 50,6 y Nano de 47,0; quedaron en primer y segundo lugar entre los métodos de memoria paramétrica evaluados. En esas pruebas, el modelo no recibía el historial original al responder la consulta.9
14 El informe también describe a MemT como competitivo frente a enfoques de generación aumentada por recuperación (RAG), pero esto no demuestra que iguale a todos los sistemas de recuperación ni que funcione igual de bien en cualquier tarea.
9
En las evaluaciones de capacidades generales, los resultados publicados indican que Flash se mantuvo, en términos generales, a la par de su versión de referencia anterior a la memoria en pruebas con muchos distractores, con mejoras en algunos benchmarks.7
25
Conviene revisar las licencias antes de usarlo
Los pesos de los modelos y el software asociado tienen condiciones distintas. Las fichas de los modelos en Hugging Face indican que los pesos de Flash usan la licencia MIT y los de Nano, Apache 2.0.20
21 Los materiales del software de inferencia señalan la licencia PolyForm Noncommercial 1.0.0. Antes de darle un uso comercial, revisa la licencia del repositorio correspondiente y las condiciones de los componentes de terceros.
18
20
21
30
La propuesta central de MemT 1.0 es que un modelo pueda conservar información útil de conversaciones anteriores en un estado interno acotado. En sesiones largas, esto podría reducir el procesamiento repetido y el almacenamiento por sesión. Las pruebas publicadas ofrecen resultados prometedores para ese enfoque, pero siguen siendo cifras reportadas por la empresa, no una garantía de rendimiento en todas las implementaciones.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "MemT 1.0: qué cambia cuando un modelo incorpora memoria persistente"?
MemTensor lanzó dos modelos con memoria integrada: Flash, con 288.000 millones de parámetros totales y 17.000 millones activos, y Nano, con 36.000 millones y 3.000 millones activos.
¿Cuáles son los puntos clave a validar primero?
MemTensor lanzó dos modelos con memoria integrada: Flash, con 288.000 millones de parámetros totales y 17.000 millones activos, y Nano, con 36.000 millones y 3.000 millones activos. En lugar de volver a procesar la conversación completa, los modelos actualizan un estado interno de tamaño fijo y lo usan para recuperar información.
¿Qué debo hacer a continuación en la práctica?
La empresa reporta que Nano fue hasta 3,99 veces más rápido en una prueba con 256.000 tokens de historial; los resultados dependen de las condiciones de evaluación.