AnswersPublished24 sources
MemT 1.0 bygger vedvarende minne inn i modellen
MemTensor har lansert to modeller med innebygd minne: Flash med 288 milliarder parametere totalt og 17 milliarder aktive, og Nano med 36 milliarder totalt og 3 milliarder aktive. Modellene skal lagre samtalehistorikk i en intern tilstand med fast størrelse, i stedet for å behandle hele samtalen på nytt for hvert spø...
Publisert avRedigert med GPT-6 LunaBilder generert med GPT Image 2
Research answer
Key takeaways
- MemTensor har lansert to modeller med innebygd minne: Flash med 288 milliarder parametere totalt og 17 milliarder aktive, og Nano med 36 milliarder totalt og 3 milliarder aktive.
- Modellene skal lagre samtalehistorikk i en intern tilstand med fast størrelse, i stedet for å behandle hele samtalen på nytt for hvert spørsmål.
- Ifølge selskapets tester var Nano opptil 3,99 ganger raskere enn en modell med full kontekst ved 256K tokens med historikk.
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 har lansert modellfamilien MemT 1.0, med variantene Flash og Nano. Ideen er å la modellene ta vare på nyttig informasjon i et vedvarende, internt minne, framfor å sende stadig lengre samtalehistorikk inn på nytt. Omtale publisert 22. oktober daterer lanseringen til kvelden 21. oktober.8 De mest oppsiktsvekkende tallene for effektivitet kommer fra tester MemTensor selv har rapportert, og bør leses som resultater fra bestemte oppsett – ikke som løfter om tilsvarende gevinst overalt.
8
13
To modeller med ulike størrelser
Flash og Nano har forskjellig antall modellparametere og ulik minnekonfigurasjon. De dedikerte, trenbare minneparameterne og den dynamiske minnetilstanden er egne størrelser, adskilt fra modellens totale og aktive parametere.4
5
| Modell | Parametere totalt | Aktive parametere | Trenbare minneparametere | Dynamisk minnetilstand |
|---|---|---|---|---|
| MemT-1.0-Flash | 288 mrd. | 17 mrd. | 3,61 mrd. | 336 mill. |
| MemT-1.0-Nano | 36 mrd. | 3 mrd. | 451 mill. | 10 mill. |
Modellvektene ligger på Hugging Face. MemTensors offisielle GitHub-repositorium inneholder implementasjonsmateriale og lenker til den tekniske rapporten MemT-1.0: Towards Memory-Native Evolution.4
5
20
21
Slik er det interne minnet ment å fungere
I en vanlig tilnærming med full kontekst behandler modellen samtalehistorikken som en del av informasjonen den får når den svarer. MemT legger i stedet til en trenbar minnemodul. Den oppdaterer en intern tilstand med fast størrelse etter interaksjoner, slik at modellen senere kan hente fram informasjon derfra uten å få hele, stadig lengre samtaletråden på nytt.7
25
Ifølge MemTensor ble modellene trent på 34 milliarder tokens i to trinn: først videreført forhåndstrening, deretter ettertrening. Målet var å lære dem både å skrive informasjon til minnet og å svare ved hjelp av det som er lagret.8
31
Hva viser ytelsestestene?
I tester av lange samtalehistorikker rapporterte MemTensor at Nano behandlet en oppgave fra start til slutt omtrent 1,86 ganger raskere enn en fullkontekstmodell ved 128K tokens historikk, og 3,99 ganger raskere ved 256K tokens.8
9 Dette er målinger fra bestemte evalueringer; resultatene kan variere med arbeidsoppgaver og driftsoppsett.
13
Selskapet rapporterte også tall for svartid før første token og lagring per økt. Ved 256K historikk var tiden fram til første token oppgitt til rundt 104–112 millisekunder for MemT, mot omtrent 445 millisekunder i sammenligningen med full kontekst. Den vedvarende minnetilstanden var rundt 40 MiB per økt, mot omtrent 5,06 GiB for fullkontekstmodellens KV-cache – rundt 130 ganger mindre lagring i denne sammenligningen.13
22
25
På 11 minnebaserte tester fikk Flash en gjennomsnittsscore på 50,6, mens Nano fikk 47,0. Modellene ble rangert som nummer én og to blant de parametriske minnemetodene som ble evaluert. I testene fikk modellene ikke tilgang til den opprinnelige samtalehistorikken når de skulle svare.9
14 Rapporten omtaler også resultatene som konkurransedyktige med metoder som henter informasjon fra eksterne kilder, men det betyr ikke at MemT matcher alle slike systemer eller oppgaver.
9
Når det gjelder generelle evner, viser omtalen av evalueringene at Flash i tester med mange distraksjoner holdt seg bredt på nivå med modellen før minnet ble lagt til. På enkelte målinger gikk resultatene også fram.7
25
Sjekk lisensene før bruk
Modellvektene og programvaren har ulike lisensvilkår. Modellkortene på Hugging Face oppgir MIT for Flash-vektene og Apache 2.0 for Nano-vektene.20
21 For den tilhørende inferensprogramvaren er PolyForm Noncommercial 1.0.0 oppgitt. Les lisensen i det aktuelle repositoriet og vilkårene for tredjepartskomponenter før eventuell kommersiell bruk.
18
20
21
30
MemT 1.0 bygger på tanken om at en modell kan ta med seg nyttig samtalehistorikk i en avgrenset intern tilstand. Det kan redusere behovet for å behandle lange samtaler på nytt og lagringsbehovet per økt. De publiserte testene gir lovende målinger for denne tilnærmingen, men er rapportert av selskapet selv og garanterer ikke samme ytelse i alle løsninger.
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 bygger vedvarende minne inn i modellen"?
MemTensor har lansert to modeller med innebygd minne: Flash med 288 milliarder parametere totalt og 17 milliarder aktive, og Nano med 36 milliarder totalt og 3 milliarder aktive.
What are the key points to validate first?
MemTensor har lansert to modeller med innebygd minne: Flash med 288 milliarder parametere totalt og 17 milliarder aktive, og Nano med 36 milliarder totalt og 3 milliarder aktive. Modellene skal lagre samtalehistorikk i en intern tilstand med fast størrelse, i stedet for å behandle hele samtalen på nytt for hvert spørsmål.
What should I do next in practice?
Ifølge selskapets tester var Nano opptil 3,99 ganger raskere enn en modell med full kontekst ved 256K tokens med historikk.