AnswersPublished24 sources
MemT 1.0 wil lange gesprekshistorie inruilen voor intern geheugen
MemTensor bracht twee modellen uit: Flash met 288 miljard parameters, waarvan 17 miljard actief, en Nano met 36 miljard parameters, waarvan 3 miljard actief. In plaats van steeds de hele gesprekshistorie te verwerken, schrijven de modellen informatie volgens MemTensor weg naar een interne geheugenstaat van vaste omv...
Gepubliceerd doorBewerkt met GPT-6 LunaAfbeeldingen gegenereerd met GPT Image 2
Research answer
Key takeaways
- MemTensor bracht twee modellen uit: Flash met 288 miljard parameters, waarvan 17 miljard actief, en Nano met 36 miljard parameters, waarvan 3 miljard actief.
- In plaats van steeds de hele gesprekshistorie te verwerken, schrijven de modellen informatie volgens MemTensor weg naar een interne geheugenstaat van vaste omvang.
- De gewichten van Flash vallen onder MIT en die van Nano onder Apache 2.0. Voor de bijbehorende software gelden aparte voorwaarden.
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 heeft MemT 1.0 uitgebracht, een familie AI-modellen met ingebouwd geheugen. Het idee: nuttige informatie uit eerdere gesprekken bewaren in een interne staat, zodat het model niet telkens de steeds langere volledige chatgeschiedenis hoeft mee te nemen. Berichten over de lancering verschenen op 22 oktober en dateren de aankondiging op de avond van 21 oktober.8 De opvallendste cijfers over snelheid en opslag zijn afkomstig uit tests van MemTensor; ze zijn dus geen garantie voor vergelijkbare resultaten in elke toepassing.
8
13
Twee modellen, met verschillende geheugencapaciteit
MemT 1.0 bestaat uit Flash en Nano. Het aantal totale en actieve parameters is iets anders dan het aantal trainbare geheugenparameters en de omvang van de dynamische geheugenstaat.4
5
| Model | Totaal aantal parameters | Actieve parameters | Trainbare geheugenparameters | Dynamische geheugenstaat |
|---|---|---|---|---|
| MemT-1.0-Flash | 288 miljard | 17 miljard | 3,61 miljard | 336 miljoen |
| MemT-1.0-Nano | 36 miljard | 3 miljard | 451 miljoen | 10 miljoen |
De modelgewichten zijn beschikbaar via Hugging Face. De officiële GitHub-repository bevat implementatiemateriaal en verwijzingen naar het technisch rapport MemT-1.0: Towards Memory-Native Evolution.4
5
20
21
Hoe het ingebouwde geheugen werkt
Bij een aanpak met volledige context krijgt een model de eerdere gesprekstekst steeds opnieuw mee. MemT gebruikt in plaats daarvan een trainbare geheugenmodule die na interacties een interne staat met vaste omvang bijwerkt. Het model kan die informatie later weer gebruiken, zonder telkens de hele transcriptie opnieuw in te lezen.7
25
Volgens MemTensor zijn de modellen getraind op 34 miljard tokens, in twee fasen: voortgezette pretraining en daarna post-training. Het doel was het model te leren informatie in het geheugen op te slaan en vervolgens vragen te beantwoorden met behulp van wat het heeft bewaard.8
31
Wat de tests van MemTensor laten zien
In tests met lange gesprekshistorie was Nano volgens het bedrijf bij een geschiedenis van 128.000 tokens ongeveer 1,86 keer zo snel als een aanpak met volledige context. Bij 256.000 tokens liep dat op tot 3,99 keer zo snel.8
9 Dit zijn uitkomsten van specifieke tests; de prestaties in de praktijk kunnen afhangen van de werklast en de manier waarop het model wordt ingezet.
13
MemTensor rapporteerde ook de tijd tot het eerste token en de opslag per sessie. Bij een geschiedenis van 256.000 tokens lag de gemeten tijd tot het eerste token voor MemT rond 104 tot 112 milliseconden, tegenover ongeveer 445 milliseconden bij de vergelijking met volledige context. De geheugenstaat per sessie nam volgens de tests circa 40 MiB in beslag, tegen ongeveer 5,06 GiB voor de KV-cache van de volledige context: in die vergelijking ongeveer 130 keer minder opslag.13
22
25
Op 11 geheugenbenchmarks behaalde Flash gemiddeld 50,6 en Nano 47,0. Daarmee eindigden ze op de eerste en tweede plaats onder de geteste methoden met parametrisch geheugen. Bij die tests kregen de modellen de oorspronkelijke gesprekshistorie niet opnieuw mee bij het beantwoorden van een vraag.9
14 Het rapport noemt de resultaten ook concurrerend met systemen die informatie ophalen uit externe bronnen. Dat betekent niet dat MemT op elke taak gelijk presteert aan elk retrievalsysteem.
9
Bij tests die veel afleidende informatie bevatten, bleef Flash volgens de evaluatie in grote lijnen vergelijkbaar met zijn basisversie zonder geheugen. Op sommige benchmarks waren de resultaten beter.7
25
Let op: de licenties verschillen
De modelgewichten en de bijbehorende software hebben niet dezelfde licentie. Volgens de modelkaarten vallen de gewichten van Flash onder MIT en die van Nano onder Apache 2.0.20
21 Voor de inference-software wordt PolyForm Noncommercial 1.0.0 vermeld. Controleer daarom de licentie van de relevante repository en de voorwaarden voor onderdelen van derden voordat je de software commercieel gebruikt.
18
20
21
30
De kern van MemT 1.0 is dat een model eerdere informatie kan meenemen in een interne geheugenstaat van vaste omvang. Dat kan bij lange gesprekken herhaald verwerken en opslag per sessie beperken. De gepubliceerde tests wijzen op mogelijke voordelen, maar blijven door het bedrijf gerapporteerde resultaten—geen belofte dat elke toepassing dezelfde winst oplevert.
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 wil lange gesprekshistorie inruilen voor intern geheugen"?
MemTensor bracht twee modellen uit: Flash met 288 miljard parameters, waarvan 17 miljard actief, en Nano met 36 miljard parameters, waarvan 3 miljard actief.
What are the key points to validate first?
MemTensor bracht twee modellen uit: Flash met 288 miljard parameters, waarvan 17 miljard actief, en Nano met 36 miljard parameters, waarvan 3 miljard actief. In plaats van steeds de hele gesprekshistorie te verwerken, schrijven de modellen informatie volgens MemTensor weg naar een interne geheugenstaat van vaste omvang.
What should I do next in practice?
De gewichten van Flash vallen onder MIT en die van Nano onder Apache 2.0. Voor de bijbehorende software gelden aparte voorwaarden.