AnswersPublished24 sources
MemT 1.0 przenosi pamięć do wnętrza modelu
MemTensor udostępnił dwa modele z pamięcią wewnętrzną: Flash ma 288 mld parametrów, z czego 17 mld jest aktywnych; Nano — odpowiednio 36 mld i 3 mld. Zamiast za każdym razem przetwarzać całą historię rozmowy, modele zapisują jej istotne informacje w wewnętrznym stanie o stałym rozmiarze.
Opublikowane przezEdytowane za pomocą GPT-6 LunaObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- MemTensor udostępnił dwa modele z pamięcią wewnętrzną: Flash ma 288 mld parametrów, z czego 17 mld jest aktywnych; Nano — odpowiednio 36 mld i 3 mld.
- Zamiast za każdym razem przetwarzać całą historię rozmowy, modele zapisują jej istotne informacje w wewnętrznym stanie o stałym rozmiarze.
- Wagi Flash są objęte licencją MIT, a Nano — Apache 2.0. Oprogramowanie do obsługi ma osobne warunki, które warto sprawdzić przed użyciem komercyjnym.
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 zaprezentował rodzinę MemT 1.0 — modele Flash i Nano, zaprojektowane tak, by zachowywać przydatne informacje w wewnętrznej pamięci zamiast za każdym razem przetwarzać coraz dłuższą historię rozmowy. Doniesienia opublikowane 22 października wskazują, że premierę ogłoszono wieczorem 21 października.8 Podawane przez firmę wyniki dotyczą konkretnych testów, nie są więc gwarancją podobnych korzyści w każdym zastosowaniu.
8
13
Dwa modele, różne rozmiary
Flash i Nano różnią się skalą. Liczba wszystkich i aktywnych parametrów to osobne wartości od liczby parametrów pamięci, które można trenować, oraz rozmiaru dynamicznego stanu pamięci.4
5
| Model | Łączna liczba parametrów | Aktywne parametry | Trenowalne parametry pamięci | Dynamiczny stan pamięci |
|---|---|---|---|---|
| MemT-1.0-Flash | 288 mld | 17 mld | 3,61 mld | 336 mln |
| MemT-1.0-Nano | 36 mld | 3 mld | 451 mln | 10 mln |
Wagi modeli można pobrać z Hugging Face. Oficjalne repozytorium MemTensor na GitHubie udostępnia materiały dotyczące implementacji i odsyła do raportu technicznego MemT-1.0: Towards Memory-Native Evolution.4
5
20
21
Jak działa pamięć MemT
W typowym podejściu model przy każdej odpowiedzi otrzymuje historię rozmowy jako część kontekstu. MemT ma działać inaczej: po kolejnych interakcjach trenowalny moduł zapisuje informacje w wewnętrznym stanie o stałym rozmiarze, z którego model może później korzystać. Celem jest uniknięcie ponownego przekazywania coraz dłuższego zapisu rozmowy.7
25
Według MemTensor modele trenowano na 34 mld tokenów w dwóch etapach: dalszym pretreningu i post-treningu. Miały w ten sposób nauczyć się zapisywać informacje w pamięci, a następnie odpowiadać na podstawie tego, co zostało zapamiętane.8
31
Co pokazują opublikowane testy
W testach długiej historii rozmowy podanych przez firmę Nano osiągnął około 1,86× szybsze wnioskowanie end-to-end niż wariant przetwarzający pełny kontekst przy historii długości 128 tys. tokenów. Przy 256 tys. tokenów przewaga wyniosła 3,99×.8
9 To wyniki konkretnych pomiarów; osiągi w praktyce mogą zależeć od obciążenia i warunków wdrożenia.
13
W raportach porównano też czas do pierwszego tokenu oraz pamięć potrzebną na sesję. Przy historii długości 256 tys. tokenów deklarowany czas do pierwszego tokenu wynosił dla MemT około 104–112 ms, a dla wariantu pełnego kontekstu — około 445 ms. Stan pamięci MemT zajmował około 40 MiB na sesję, wobec około 5,06 GiB pamięci podręcznej KV w porównaniu z pełnym kontekstem — czyli około 130 razy mniej w tym teście.13
22
25
W 11 testach pamięci Flash uzyskał średnio 50,6 pkt, a Nano 47,0 pkt. Wśród ocenianych metod pamięci parametrycznej zajęły odpowiednio pierwsze i drugie miejsce. W tych testach model nie otrzymywał oryginalnej historii rozmowy w chwili zadania pytania.9
14 Raport określa też wyniki MemT jako konkurencyjne wobec systemów wykorzystujących generowanie wspomagane wyszukiwaniem (RAG). Nie oznacza to jednak, że modele dorównują każdemu systemowi wyszukiwania ani sprawdzają się równie dobrze w każdym zadaniu.
9
W testach z dużą liczbą informacji rozpraszających ogólne możliwości Flash miały pozostać zasadniczo porównywalne z wersją bazową sprzed dodania pamięci. W części testów odnotowano poprawę.7
25
Licencje: wagi i oprogramowanie to osobne kwestie
Warunki korzystania z wag modeli różnią się od warunków dotyczących oprogramowania. Karty modeli na Hugging Face wskazują licencję MIT dla wag Flash oraz Apache 2.0 dla wag Nano.20
21 Materiały dotyczące towarzyszącego oprogramowania inferencyjnego wymieniają licencję PolyForm Noncommercial 1.0.0. Przed komercyjnym użyciem kodu sprawdź warunki właściwego repozytorium oraz licencje komponentów zewnętrznych.
18
20
21
30
Główna obietnica MemT 1.0 jest prosta: model może zachować przydatną historię w ograniczonym, wewnętrznym stanie, co potencjalnie zmniejsza ilość ponownie przetwarzanych danych i pamięć potrzebną na długie sesje. Opublikowane pomiary są obiecujące, ale pozostają wynikami testów firmy — nie gwarancją takich samych osiągów w każdym wdrożeniu.
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 przenosi pamięć do wnętrza modelu"?
MemTensor udostępnił dwa modele z pamięcią wewnętrzną: Flash ma 288 mld parametrów, z czego 17 mld jest aktywnych; Nano — odpowiednio 36 mld i 3 mld.
What are the key points to validate first?
MemTensor udostępnił dwa modele z pamięcią wewnętrzną: Flash ma 288 mld parametrów, z czego 17 mld jest aktywnych; Nano — odpowiednio 36 mld i 3 mld. Zamiast za każdym razem przetwarzać całą historię rozmowy, modele zapisują jej istotne informacje w wewnętrznym stanie o stałym rozmiarze.
What should I do next in practice?
Wagi Flash są objęte licencją MIT, a Nano — Apache 2.0. Oprogramowanie do obsługi ma osobne warunki, które warto sprawdzić przed użyciem komercyjnym.