AnswersPublished24 sources
MemT 1.0 tuo mallille oman muistinsa
MemTensor julkaisi kaksi sisäiseen muistiin perustuvaa mallia: Flashin (288 mrd. Mallien tarkoituksena on tallentaa keskustelujen tietoa kiinteän kokoiseen sisäiseen muistiin sen sijaan, että koko kasvava keskusteluhistoria käsiteltäisiin jatkuvasti uudelleen.
JulkaisijaMuokattu mallilla GPT-6 LunaKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- MemTensor julkaisi kaksi sisäiseen muistiin perustuvaa mallia: Flashin (288 mrd.
- Mallien tarkoituksena on tallentaa keskustelujen tietoa kiinteän kokoiseen sisäiseen muistiin sen sijaan, että koko kasvava keskusteluhistoria käsiteltäisiin jatkuvasti uudelleen.
- Yhtiön testeissä Nano oli noin 1,86 kertaa nopeampi 128 000 tokenin ja 3,99 kertaa nopeampi 256 000 tokenin keskusteluhistorialla vertailuun nähden.
- Flashin painojen lisenssi on MIT ja Nanon Apache 2.0. Ohjelmiston lisenssiehdot ovat erilliset, joten ne kannattaa tarkistaa ennen kaupallista käyttöä.
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 julkaisi MemT 1.0 -malliperheen, johon kuuluvat Flash ja Nano. Mallien ideana on säilyttää hyödyllistä tietoa mallin kiinteän kokoisessa sisäisessä muistissa sen sijaan, että koko keskusteluhistoria syötettäisiin yhä uudelleen käsiteltäväksi. Julkaisusta uutisoitiin 22. lokakuuta, ja uutisten mukaan se tapahtui edellisenä iltana, 21. lokakuuta.8 Tehokkuusluvut ovat yhtiön omista testeistä: ne kuvaavat kyseisiä vertailuja, eivät lupaa samanlaisesta hyödystä kaikissa käyttöympäristöissä.
8
13
Kaksi mallia, eri kokoiset muistiratkaisut
Flash ja Nano eroavat sekä mallin kooltaan että muistiasetuksiltaan. Mallien kokonais- ja aktiivisten parametrien määrät eivät ole sama asia kuin muistille varatut koulutettavat parametrit tai dynaaminen muistikerros.4
5
| Malli | Parametreja yhteensä | Aktiivisia parametreja | Koulutettavia muistiparametreja | Dynaaminen muistitila |
|---|---|---|---|---|
| MemT-1.0-Flash | 288 mrd. | 17 mrd. | 3,61 mrd. | 336 milj. |
| MemT-1.0-Nano | 36 mrd. | 3 mrd. | 451 milj. | 10 milj. |
Mallien painot ovat saatavilla Hugging Facessa. MemTensorin virallisessa GitHub-repositoriossa on toteutusmateriaaleja ja linkkejä tekniseen raporttiin MemT-1.0: Towards Memory-Native Evolution.4
5
20
21
Miten mallin sisäinen muisti toimii?
Tavallisessa koko kontekstin käsittelyssä malli saa keskusteluhistorian osana kulloinkin käsiteltävää syötettä. MemT-malleissa on sen sijaan koulutettava muistimoduuli, joka päivittää sisäistä, kiinteän kokoista tilaansa vuorovaikutuksen jälkeen. Malli voi myöhemmin hyödyntää tallennettua tietoa ilman, että koko aiempi keskustelu syötetään joka kerta uudelleen. Tavoitteena on välttää tilanne, jossa käsiteltävä keskusteluhistoria ja sen myötä uudelleenkäsittelyn tarve kasvavat jatkuvasti.7
25
MemTensor kertoo kouluttaneensa mallit kahdessa vaiheessa yhteensä 34 miljardilla tokenilla: ensin jatkokoulutuksella ja sitten jälkikoulutuksella. Tavoitteena oli opettaa mallia sekä tallentamaan tietoa muistiin että vastaamaan tallentamansa tiedon pohjalta.8
31
Mitä yhtiön testeissä mitattiin?
MemTensorin raportoimissa pitkän keskusteluhistorian testeissä Nano käsitteli tehtävän alusta loppuun noin 1,86 kertaa nopeammin kuin koko kontekstiin perustuva vertailuratkaisu 128 000 tokenin historialla. 256 000 tokenin historialla nopeusetu oli noin 3,99-kertainen.8
9 Kyse on yksittäisissä testeissä saaduista tuloksista; käytännön suorituskyky voi vaihdella työkuorman ja käyttöönoton mukaan.
13
Yhtiön raportoimissa luvuissa verrataan myös kyselyn viivettä ennen ensimmäistä tokenia ja istuntokohtaista tallennustilaa. 256 000 tokenin historialla ensimmäisen tokenin ilmoitettu viive oli MemT-malleilla noin 104–112 millisekuntia, kun koko kontekstiin perustuvassa vertailussa se oli noin 445 millisekuntia. Istunnon pysyvä muistila oli noin 40 MiB, kun vertailuratkaisun KV-välimuisti vei noin 5,06 GiB eli tallennustilaa tarvittiin tässä vertailussa noin 130 kertaa vähemmän.13
22
25
Yhdessätoista muistia mittaavassa vertailutestissä Flash sai keskimäärin 50,6 pistettä ja Nano 47,0 pistettä. Ne sijoittuivat ensimmäiseksi ja toiseksi testatuista parametrisista muistimenetelmistä. Testeissä mallille ei annettu alkuperäistä keskusteluhistoriaa kyselyhetkellä.9
14 Raportissa MemT-malleja kuvataan myös kilpailukykyisiksi hakua hyödyntävien menetelmien rinnalla. Tulos ei kuitenkaan tarkoita, että ne vastaisivat kaikkia hakujärjestelmiä tai suoriutuisivat yhtä hyvin kaikissa tehtävissä.
9
Yleiskykyjä arvioineen raportoinnin mukaan Flashin suorituskyky pysyi häiriötietoa sisältäneissä testeissä pääosin lähellä sen muistia edeltänyttä vertailutasoa, ja joissakin testeissä nähtiin parannuksia.7
25
Lisenssit kannattaa tarkistaa erikseen
Mallien painoilla ja niiden käyttöön liittyvällä ohjelmistolla on eri lisenssiehdot. Hugging Facen mallikorteissa Flashin painojen lisenssiksi ilmoitetaan MIT ja Nanon painojen lisenssiksi Apache 2.0.20
21 Käyttöohjelmiston materiaaleissa mainitaan PolyForm Noncommercial 1.0.0. Ennen kaupallista käyttöä kannattaa tarkistaa kyseisen repositorion lisenssi sekä kolmansien osapuolten komponenttien ehdot.
18
20
21
30
MemT 1.0:n keskeinen ajatus on, että malli voisi säilyttää keskustelujen hyödyllistä historiaa rajatussa sisäisessä tilassa. Pitkissä keskusteluissa tämä voi vähentää aiemman aineiston toistuvaa käsittelyä ja istuntokohtaista tallennustilan tarvetta. Julkaistut testitulokset ovat lupaavia, mutta kyse on yhtiön raportoimista mittauksista – ei takeesta siitä, että sama hyöty toteutuu kaikissa käyttöönotossa.
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 tuo mallille oman muistinsa"?
MemTensor julkaisi kaksi sisäiseen muistiin perustuvaa mallia: Flashin (288 mrd.
What are the key points to validate first?
MemTensor julkaisi kaksi sisäiseen muistiin perustuvaa mallia: Flashin (288 mrd. Mallien tarkoituksena on tallentaa keskustelujen tietoa kiinteän kokoiseen sisäiseen muistiin sen sijaan, että koko kasvava keskusteluhistoria käsiteltäisiin jatkuvasti uudelleen.
What should I do next in practice?
Yhtiön testeissä Nano oli noin 1,86 kertaa nopeampi 128 000 tokenin ja 3,99 kertaa nopeampi 256 000 tokenin keskusteluhistorialla vertailuun nähden.