JawabanDipublikasikan24 sumber
MemT 1.0 Tawarkan Cara Baru agar AI Mengingat Percakapan Panjang
MemTensor merilis dua model dengan memori bawaan: Flash memiliki 288 miliar parameter total dan 17 miliar parameter aktif; Nano memiliki 36 miliar parameter total dan 3 miliar parameter aktif. Alih alih terus memproses seluruh transkrip, model menyimpan informasi interaksi dalam kondisi memori internal berukuran tetap.
Diterbitkan olehDiedit dengan GPT-6 LunaGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- MemTensor merilis dua model dengan memori bawaan: Flash memiliki 288 miliar parameter total dan 17 miliar parameter aktif; Nano memiliki 36 miliar parameter total dan 3 miliar parameter aktif.
- Alih alih terus memproses seluruh transkrip, model menyimpan informasi interaksi dalam kondisi memori internal berukuran tetap.
- Dalam pengujian yang dilaporkan perusahaan, Nano lebih cepat hingga 3,99 kali pada riwayat 256K token.
- Lisensi bobot berbeda: Flash menggunakan MIT, sedangkan Nano menggunakan Apache 2.0.
AI Perintah
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 merilis keluarga model MemT 1.0—Flash dan Nano—yang dirancang agar AI menyimpan informasi berguna dalam memori internal, bukan terus-menerus membaca ulang percakapan yang makin panjang. Pemberitaan pada 22 Oktober menyebut peluncurannya berlangsung pada malam 21 Oktober.8 Angka efisiensi yang menjadi sorotan berasal dari pengujian yang dilaporkan perusahaan; hasilnya belum tentu sama di setiap beban kerja atau lingkungan penerapan.
8
13
Dua model, kapasitas berbeda
Flash dan Nano berbeda dari sisi ukuran dan konfigurasi memori. Jumlah parameter total dan aktif juga berbeda dari jumlah parameter memori yang dapat dilatih serta kondisi memori dinamisnya.4
5
| Model | Parameter total | Parameter aktif | Parameter memori yang dapat dilatih | Kondisi memori dinamis |
|---|---|---|---|---|
| MemT-1.0-Flash | 288 miliar | 17 miliar | 3,61 miliar | 336 juta |
| MemT-1.0-Nano | 36 miliar | 3 miliar | 451 juta | 10 juta |
Bobot kedua model tersedia di Hugging Face. Repositori GitHub resmi MemTensor memuat materi implementasi dan tautan ke laporan teknis MemT-1.0: Towards Memory-Native Evolution.4
5
20
21
Cara kerja: menyimpan, bukan terus membaca ulang
Dalam pendekatan yang memakai konteks penuh, model menerima riwayat percakapan sebagai bagian dari konteks yang diproses. MemT menambahkan modul memori yang dapat dilatih: setelah interaksi, modul ini memperbarui kondisi internal berukuran tetap, lalu memakainya untuk mengingat informasi saat diperlukan. Tujuannya adalah mengurangi kebutuhan memasukkan kembali transkrip yang terus bertambah ke model.7
25
Menurut MemTensor, pelatihan dilakukan dalam dua tahap—prapelatihan lanjutan dan pascapelatihan—dengan 34 miliar token. Tujuannya agar model belajar menulis informasi ke memori dan menjawab pertanyaan berdasarkan informasi yang tersimpan.8
31
Apa yang ditunjukkan pengujian perusahaan?
Dalam pengujian riwayat panjang yang dilaporkan perusahaan, inferensi end-to-end Nano sekitar 1,86 kali lebih cepat dibandingkan pendekatan konteks penuh pada riwayat 128K token, dan 3,99 kali lebih cepat pada 256K token.8
9 Ini adalah hasil evaluasi tertentu, bukan tolok ukur yang menjamin peningkatan serupa di semua penggunaan.
13
Laporan juga membandingkan waktu hingga token pertama muncul dan penyimpanan per sesi. Pada riwayat 256K, waktu yang dilaporkan untuk menghasilkan token pertama sekitar 104–112 milidetik untuk MemT, dibandingkan sekitar 445 milidetik pada pembanding konteks penuh. Kondisi memori persisten yang dilaporkan sekitar 40 MiB per sesi, sementara cache KV untuk konteks penuh sekitar 5,06 GiB—sekitar 130 kali lebih kecil dalam perbandingan tersebut.13
22
25
Pada 11 benchmark memori, Flash meraih rata-rata 50,6 dan Nano 47,0, menempati peringkat pertama dan kedua di antara metode memori parametrik yang diuji. Dalam pengujian itu, teks riwayat awal tidak diberikan saat model menerima pertanyaan.9
14 Laporan tersebut juga menyebut performanya kompetitif dengan pendekatan yang ditingkatkan lewat retrieval, tetapi itu bukan bukti bahwa MemT menyamai setiap sistem retrieval atau unggul pada semua jenis tugas.
9
Untuk kemampuan umum, laporan evaluasi menyebut Flash secara umum tetap sebanding dengan model dasarnya saat diuji dengan banyak informasi pengalih perhatian, dan meningkat pada beberapa benchmark.7
25
Periksa lisensi sebelum digunakan
Lisensi bobot model dan perangkat lunaknya berbeda. Kartu model di Hugging Face mencantumkan MIT untuk bobot Flash dan Apache 2.0 untuk bobot Nano.20
21 Materi mengenai perangkat lunak inferensi yang menyertai model mencantumkan PolyForm Noncommercial 1.0.0. Sebelum memakai kode untuk tujuan komersial, periksa lisensi repositori terkait beserta ketentuan komponen pihak ketiga.
18
20
21
30
Inti tawaran MemT 1.0 adalah menyimpan riwayat yang berguna dalam kondisi internal yang ukurannya dibatasi, sehingga model berpotensi mengurangi pemrosesan berulang dan kebutuhan penyimpanan per sesi dalam percakapan panjang. Hasil pengujian yang dipublikasikan terlihat menjanjikan, tetapi tetap merupakan hasil yang dilaporkan perusahaan—bukan jaminan performa untuk setiap penerapan.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "MemT 1.0 Tawarkan Cara Baru agar AI Mengingat Percakapan Panjang"?
MemTensor merilis dua model dengan memori bawaan: Flash memiliki 288 miliar parameter total dan 17 miliar parameter aktif; Nano memiliki 36 miliar parameter total dan 3 miliar parameter aktif.
Apa poin penting yang harus divalidasi terlebih dahulu?
MemTensor merilis dua model dengan memori bawaan: Flash memiliki 288 miliar parameter total dan 17 miliar parameter aktif; Nano memiliki 36 miliar parameter total dan 3 miliar parameter aktif. Alih alih terus memproses seluruh transkrip, model menyimpan informasi interaksi dalam kondisi memori internal berukuran tetap.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Dalam pengujian yang dilaporkan perusahaan, Nano lebih cepat hingga 3,99 kali pada riwayat 256K token.