AnswersPublished24 sources
MemT 1.0 cuba kurangkan kos memproses sejarah perbualan yang panjang
MemTensor memperkenalkan dua model yang direka untuk menyimpan maklumat interaksi dalam memori dalaman: Flash (288 bilion parameter keseluruhan, 17 bilion aktif) dan Nano (36 bilion keseluruhan, 3 bilion aktif). Memori bersaiz tetap itu bertujuan mengelakkan model daripada perlu memproses semula keseluruhan transkri...
Diterbitkan olehDisunting dengan GPT-6 LunaImej dijana dengan GPT Image 2
Research answer
Key takeaways
- MemTensor memperkenalkan dua model yang direka untuk menyimpan maklumat interaksi dalam memori dalaman: Flash (288 bilion parameter keseluruhan, 17 bilion aktif) dan Nano (36 bilion keseluruhan, 3 bilion aktif).
- Memori bersaiz tetap itu bertujuan mengelakkan model daripada perlu memproses semula keseluruhan transkrip setiap kali perbualan bersambung.
- Lesen berat model berbeza: Flash menggunakan MIT, manakala Nano menggunakan Apache 2.0.
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 memperkenalkan keluarga model MemT 1.0—Flash dan Nano—yang direka untuk menyimpan maklumat berguna dalam keadaan memori dalaman, bukannya memproses semula sejarah perbualan yang semakin panjang setiap kali. Laporan yang diterbitkan pada 22 Oktober menyatakan pelancaran berlangsung pada malam 21 Oktober.8
Angka kecekapan yang menjadi tumpuan datang daripada ujian yang dilaporkan syarikat. Anggap angka ini sebagai hasil penanda aras dalam keadaan tertentu, bukan janji bahawa setiap penggunaan akan mendapat peningkatan yang sama.8
13
Dua model, dengan saiz berbeza
Flash dan Nano mempunyai konfigurasi parameter serta memori yang berbeza. Parameter keseluruhan dan parameter aktif bukan perkara yang sama dengan parameter memori yang boleh dilatih atau keadaan memori dinamik.4
5
| Model | Jumlah parameter | Parameter aktif | Parameter memori boleh dilatih | Keadaan memori dinamik |
|---|---|---|---|---|
| MemT-1.0-Flash | 288B | 17B | 3.61B | 336M |
| MemT-1.0-Nano | 36B | 3B | 451M | 10M |
Berat model boleh didapati di Hugging Face. Repositori rasmi di GitHub pula menyediakan bahan pelaksanaan dan pautan kepada laporan teknikal MemT-1.0: Towards Memory-Native Evolution.4
5
20
21
Daripada membaca semula, kepada mengingati
Dalam pendekatan konteks penuh yang biasa, model menerima sejarah perbualan sebagai sebahagian daripada konteks untuk diproses. Reka bentuk MemT menambah modul memori boleh latih yang mengemas kini keadaan dalaman bersaiz tetap selepas interaksi. Model kemudian menggunakan keadaan itu untuk mengingati maklumat, tanpa perlu membawa semula keseluruhan transkrip yang semakin panjang setiap kali.7
25
Menurut MemTensor, model ini dilatih menggunakan 34 bilion token dalam dua peringkat: pralatihan berterusan, diikuti latihan pasca. Matlamat yang dinyatakan ialah mengajar sistem menyimpan maklumat dalam memori dan menjawab soalan berdasarkan perkara yang telah disimpan.8
31
Apa yang ditunjukkan oleh ujian syarikat
Dalam ujian sejarah panjang yang dilaporkan syarikat, inferens hujung ke hujung Nano kira-kira 1.86 kali lebih pantas berbanding garis dasar konteks penuh apabila sejarah mencapai 128K token, dan 3.99 kali lebih pantas pada 256K token.8
9 Ini ialah hasil bagi penilaian tertentu; prestasi sebenar boleh berubah mengikut beban kerja dan keadaan penggunaan.
13
Laporan turut membandingkan masa menunggu sehingga token pertama dan storan bagi setiap sesi. Untuk sejarah 256K token, masa yang dilaporkan bagi MemT ialah sekitar 104–112 milisaat, berbanding kira-kira 445 milisaat untuk perbandingan konteks penuh. Keadaan memori persisten yang dilaporkan menggunakan sekitar 40 MiB bagi setiap sesi, berbanding kira-kira 5.06 GiB untuk cache KV konteks penuh—lebih kurang 130 kali kurang storan dalam perbandingan tersebut.13
22
25
Dalam 11 penanda aras memori, Flash mendapat purata 50.6 dan Nano 47.0, masing-masing di tempat pertama dan kedua antara kaedah memori parametrik yang dinilai. Dalam ujian yang dilaporkan, sejarah asal tidak diberikan semula ketika soalan diajukan.9
14 Laporan itu juga menyifatkan prestasi MemT sebagai kompetitif dengan pendekatan penjanaan diperkukuh capaian (RAG), tetapi ini bukan bukti bahawa ia menyamai setiap sistem atau tugasan RAG.
9
Bagi keupayaan umum, laporan penilaian menyatakan Flash kekal secara umumnya setanding dengan garis dasar sebelum memori ditambah, walaupun sesetengah penanda aras menunjukkan peningkatan—termasuk dalam ujian yang mengandungi banyak maklumat pengganggu.7
25
Semak lesen sebelum menggunakan model atau kod
Berat model dan perisian mempunyai terma lesen yang berbeza. Kad model di Hugging Face menyenaraikan lesen MIT untuk berat Flash dan Apache 2.0 untuk berat Nano.20
21 Bahan yang menerangkan perisian inferens pula menyenaraikan PolyForm Noncommercial 1.0.0. Semak lesen repositori berkaitan dan terma komponen pihak ketiga sebelum penggunaan komersial.
18
20
21
30
Inti MemT 1.0 ialah idea bahawa model boleh membawa maklumat berguna daripada interaksi terdahulu dalam keadaan dalaman yang terhad saiznya. Pendekatan itu berpotensi mengurangkan pemprosesan berulang dan storan bagi perbualan panjang. Keputusan yang diterbitkan nampak menjanjikan, tetapi masih merupakan hasil ujian yang dilaporkan syarikat—bukan jaminan prestasi dalam semua persekitaran.
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 cuba kurangkan kos memproses sejarah perbualan yang panjang"?
MemTensor memperkenalkan dua model yang direka untuk menyimpan maklumat interaksi dalam memori dalaman: Flash (288 bilion parameter keseluruhan, 17 bilion aktif) dan Nano (36 bilion keseluruhan, 3 bilion aktif).
What are the key points to validate first?
MemTensor memperkenalkan dua model yang direka untuk menyimpan maklumat interaksi dalam memori dalaman: Flash (288 bilion parameter keseluruhan, 17 bilion aktif) dan Nano (36 bilion keseluruhan, 3 bilion aktif). Memori bersaiz tetap itu bertujuan mengelakkan model daripada perlu memproses semula keseluruhan transkrip setiap kali perbualan bersambung.
What should I do next in practice?
Lesen berat model berbeza: Flash menggunakan MIT, manakala Nano menggunakan Apache 2.0.