RéponsesPublié24 sources
MemT 1.0 mise sur une mémoire persistante intégrée à l’IA
La famille comprend Flash (288 milliards de paramètres au total, dont 17 milliards actifs) et Nano (36 milliards au total, dont 3 milliards actifs). Les modèles mettent à jour un état de mémoire interne de taille fixe pour retenir des informations et les réutiliser, au lieu de retraiter toute la conversation à chaqu...
Publié parModifié avec GPT-6 LunaImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- La famille comprend Flash (288 milliards de paramètres au total, dont 17 milliards actifs) et Nano (36 milliards au total, dont 3 milliards actifs).
- Les modèles mettent à jour un état de mémoire interne de taille fixe pour retenir des informations et les réutiliser, au lieu de retraiter toute la conversation à chaque requête.
- MemTensor annonce des gains de vitesse et de stockage sur ses propres tests. Les poids des deux modèles ont des licences distinctes, tout comme le logiciel d’inférence.
Prompt 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 a annoncé la famille MemT 1.0, composée des modèles Flash et Nano, conçus pour conserver des informations utiles dans un état de mémoire interne persistant. L’idée : éviter de retraiter à chaque échange un historique de conversation qui s’allonge. Des articles publiés le 22 octobre situent le lancement dans la soirée du 21 octobre.8 Les gains mis en avant proviennent de tests rapportés par l’entreprise : ils ne garantissent pas les mêmes résultats dans tous les environnements.
8
13
Deux modèles, deux tailles
Flash et Nano diffèrent par leur nombre de paramètres. Les paramètres totaux et actifs sont à distinguer des paramètres dédiés à la mémoire et de l’état de mémoire dynamique.4
5
| Modèle | Paramètres au total | Paramètres actifs | Paramètres de mémoire entraînables | État de mémoire dynamique |
|---|---|---|---|---|
| MemT-1.0-Flash | 288 milliards | 17 milliards | 3,61 milliards | 336 millions |
| MemT-1.0-Nano | 36 milliards | 3 milliards | 451 millions | 10 millions |
Les poids des modèles sont accessibles sur Hugging Face. Le dépôt GitHub officiel fournit des éléments d’implémentation et renvoie au rapport technique MemT-1.0: Towards Memory-Native Evolution.4
5
20
21
Une mémoire qui évite de relire tout l’historique
Dans une approche classique en contexte complet, le modèle reçoit l’historique de la conversation dans son contexte. MemT ajoute plutôt un module de mémoire entraînable, qui met à jour un état interne de taille fixe après les interactions et s’en sert ensuite pour retrouver des informations. L’objectif est de ne pas réinjecter sans cesse une transcription de plus en plus longue.7
25
Selon MemTensor, les modèles ont été entraînés sur 34 milliards de tokens, en deux étapes : un pré-entraînement complémentaire, puis une phase de post-entraînement. Le but annoncé était d’apprendre au système à inscrire des informations dans sa mémoire, puis à répondre à partir de ce qu’il y a stocké.8
31
Des performances prometteuses, mais mesurées par l’entreprise
Dans ses tests sur de longs historiques, MemTensor indique que Nano a réalisé une inférence de bout en bout environ 1,86 fois plus rapide qu’une approche en contexte complet avec un historique de 128 000 tokens, et 3,99 fois plus rapide à 256 000 tokens.8
9 Ces chiffres correspondent à des évaluations précises ; les résultats peuvent varier selon les tâches et les conditions de déploiement.
13
L’entreprise compare aussi le délai avant le premier token et le stockage par session. Pour un historique de 256 000 tokens, le délai annoncé avant le premier token est d’environ 104 à 112 millisecondes pour MemT, contre quelque 445 millisecondes pour la comparaison en contexte complet. L’état de mémoire persistant occuperait environ 40 Mio par session, contre près de 5,06 Gio pour le cache KV de l’approche en contexte complet, soit environ 130 fois moins dans cette comparaison.13
22
25
Sur 11 benchmarks consacrés à la mémoire, Flash obtient une moyenne de 50,6 et Nano de 47,0. Les deux modèles arrivent en tête parmi les méthodes de mémoire paramétrique évaluées. Pour ces tests, l’historique initial n’était pas fourni au moment de la requête.9
14 Le rapport présente aussi MemT comme compétitif face aux approches à génération augmentée par récupération (RAG), sans pour autant démontrer qu’il égale tous les systèmes de recherche ou qu’il convient à toutes les tâches.
9
Sur les capacités générales, les comptes rendus de l’évaluation indiquent que Flash est resté globalement comparable à sa version de référence lors de tests comportant de nombreuses informations distractives, avec des progrès sur certains benchmarks.7
25
Des licences à vérifier avant tout usage
Les conditions d’utilisation des poids et du logiciel ne sont pas les mêmes. Les fiches Hugging Face indiquent une licence MIT pour les poids de Flash et Apache 2.0 pour ceux de Nano.20
21 Les documents relatifs au logiciel d’inférence mentionnent, eux, PolyForm Noncommercial 1.0.0. Avant tout usage commercial, il convient donc de consulter la licence du dépôt concerné ainsi que les conditions applicables aux composants tiers.
18
20
21
30
La proposition centrale de MemT 1.0 est de faire porter au modèle un résumé persistant de l’historique sous la forme d’un état interne borné. Dans les longues conversations, cette approche pourrait réduire les traitements répétés et le stockage par session. Les chiffres publiés sont encourageants, mais restent des résultats expérimentaux rapportés par l’entreprise, pas une promesse de performances identiques en production.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « MemT 1.0 mise sur une mémoire persistante intégrée à l’IA » ?
La famille comprend Flash (288 milliards de paramètres au total, dont 17 milliards actifs) et Nano (36 milliards au total, dont 3 milliards actifs).
Quels sont les points clés à valider en premier ?
La famille comprend Flash (288 milliards de paramètres au total, dont 17 milliards actifs) et Nano (36 milliards au total, dont 3 milliards actifs). Les modèles mettent à jour un état de mémoire interne de taille fixe pour retenir des informations et les réutiliser, au lieu de retraiter toute la conversation à chaque requête.
Que dois-je faire ensuite en pratique ?
MemTensor annonce des gains de vitesse et de stockage sur ses propres tests. Les poids des deux modèles ont des licences distinctes, tout comme le logiciel d’inférence.