คำตอบเผยแพร่แล้ว24 แหล่งที่มา
MemT 1.0 เปลี่ยนวิธีที่ AI จดจำบทสนทนายาว ๆ อย่างไร
MemTensor เปิดตัวโมเดลที่เน้นการจดจำภายใน 2 รุ่น ได้แก่ Flash (พารามิเตอร์รวม 288B ใช้งาน 17B) และ Nano (รวม 36B ใช้งาน 3B) แทนที่จะประมวลผลบทสนทนาทั้งหมดซ้ำ โมเดลจะเก็บข้อมูลไว้ในสถานะความจำภายในขนาดคงที่ แล้วนำมาใช้เมื่อต้องตอบคำถาม ผลทดสอบที่บริษัทเป็นผู้รายงานระบุว่า Nano ประมวลผลเร็วขึ้นราว 1.86 เท่าที่ประวัติ...
เผยแพร่โดยแก้ไขด้วย GPT-6 Lunaรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- MemTensor เปิดตัวโมเดลที่เน้นการจดจำภายใน 2 รุ่น ได้แก่ Flash (พารามิเตอร์รวม 288B ใช้งาน 17B) และ Nano (รวม 36B ใช้งาน 3B)
- แทนที่จะประมวลผลบทสนทนาทั้งหมดซ้ำ โมเดลจะเก็บข้อมูลไว้ในสถานะความจำภายในขนาดคงที่ แล้วนำมาใช้เมื่อต้องตอบคำถาม
- ผลทดสอบที่บริษัทเป็นผู้รายงานระบุว่า Nano ประมวลผลเร็วขึ้นราว 1.86 เท่าที่ประวัติ 128K tokens และ 3.99 เท่าที่ 256K แต่ผลจริงอาจต่างกันตามงานและเงื่อนไขการใช้งาน
- ไลเซนส์น้ำหนักโมเดลต่างกัน: Flash ใช้ MIT ส่วน Nano ใช้ Apache 2.0 ขณะที่ซอฟต์แวร์ประกอบมีเงื่อนไขแยกต่างหาก
AI พรอมต์
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 เปิดตัวโมเดลตระกูล MemT 1.0 ได้แก่ Flash และ Nano ซึ่งออกแบบให้เก็บข้อมูลสำคัญจากการสนทนาไว้ในความจำภายใน แทนการส่งประวัติแชตที่ยาวขึ้นเรื่อย ๆ กลับเข้าไปประมวลผลทุกครั้ง รายงานข่าววันที่ 22 ตุลาคมระบุว่าเปิดตัวในช่วงค่ำของวันที่ 21 ตุลาคม8 ส่วนตัวเลขด้านความเร็วและประสิทธิภาพที่เผยแพร่เป็นผลทดสอบที่บริษัทเป็นผู้รายงาน ไม่ใช่การรับประกันว่าจะได้ผลเท่ากันในทุกระบบหรือทุกงาน
8
13
MemTensor เปิดตัวโมเดลอะไรบ้าง
Flash และ Nano มีขนาดและองค์ประกอบด้านความจำต่างกัน โดยพารามิเตอร์รวมและพารามิเตอร์ที่ใช้งาน ไม่ใช่ตัวเลขเดียวกับพารามิเตอร์ความจำที่ฝึกได้หรือสถานะความจำแบบไดนามิก4
5
| รุ่น | พารามิเตอร์รวม | พารามิเตอร์ที่ใช้งาน | พารามิเตอร์ความจำที่ฝึกได้ | สถานะความจำไดนามิก |
|---|---|---|---|---|
| MemT-1.0-Flash | 288B | 17B | 3.61B | 336M |
| MemT-1.0-Nano | 36B | 3B | 451M | 10M |
น้ำหนักโมเดลเผยแพร่บน Hugging Face ส่วน GitHub อย่างเป็นทางการมีโค้ดและเอกสารประกอบ รวมถึงลิงก์ไปยังรายงานทางเทคนิค MemT-1.0: Towards Memory-Native Evolution4
5
20
21
จากอ่านแชตทั้งก้อน สู่การจดจำไว้ภายใน
แนวทางทั่วไปคือส่งประวัติการสนทนาให้โมเดลเป็นส่วนหนึ่งของบริบททุกครั้งที่มีคำถาม ยิ่งคุยนาน ข้อความที่ต้องประมวลผลก็ยิ่งมากขึ้น ส่วน MemT เพิ่มโมดูลความจำที่ฝึกได้เข้าไปในโมเดล เพื่ออัปเดตสถานะภายในขนาดคงที่หลังการโต้ตอบ และเรียกใช้ข้อมูลนั้นในภายหลัง เป้าหมายคือไม่ต้องป้อนบทสนทนาที่ยาวขึ้นกลับเข้าโมเดลซ้ำทุกครั้ง7
25
MemTensor ระบุว่าโมเดลผ่านการฝึกด้วยข้อมูล 34,000 ล้าน tokens แบ่งเป็นสองช่วง ได้แก่ continued pretraining และ post-training โดยมีเป้าหมายให้โมเดลเรียนรู้ทั้งการบันทึกข้อมูลลงในความจำ และการตอบคำถามจากสิ่งที่บันทึกไว้8
31
ผลทดสอบที่บริษัทรายงาน
ในการทดสอบกับประวัติที่ยาวขึ้น Nano ทำงานแบบ end-to-end เร็วกว่าวิธีที่ใช้บริบทเต็มประมาณ 1.86 เท่า เมื่อประวัติยาว 128K tokens และ 3.99 เท่า ที่ 256K tokens8
9 ตัวเลขเหล่านี้มาจากการทดสอบเฉพาะที่รายงานไว้ ผลการใช้งานจริงอาจขึ้นกับลักษณะงานและเงื่อนไขการติดตั้งระบบ
13
รายงานยังเปรียบเทียบเวลารอจนได้โทเคนแรกของคำตอบ (time to first token) และพื้นที่จัดเก็บต่อเซสชัน เมื่อประวัติยาว 256K tokens เวลาเริ่มตอบที่รายงานสำหรับ MemT อยู่ที่ราว 104–112 มิลลิวินาที เทียบกับประมาณ 445 มิลลิวินาที ในการทดสอบแบบบริบทเต็ม ส่วนสถานะความจำถาวรที่รายงานใช้พื้นที่ราว 40 MiB ต่อเซสชัน เทียบกับ KV cache ของวิธีบริบทเต็มที่ประมาณ 5.06 GiB หรือน้อยกว่าราว 130 เท่า ในการเปรียบเทียบนี้13
22
25
ในการทดสอบหน่วยความจำ 11 ชุด Flash ได้คะแนนเฉลี่ย 50.6 และ Nano 47.0 อยู่ในอันดับหนึ่งและสองในกลุ่มวิธีแบบ parametric memory ที่นำมาประเมิน โดยการทดสอบดังกล่าวไม่ได้ส่งประวัติต้นฉบับให้โมเดลตอนตอบคำถาม9
14 รายงานระบุด้วยว่า MemT ทำผลงานได้ใกล้เคียงกับแนวทาง retrieval-augmented แต่ไม่ได้หมายความว่าจะเทียบเท่าระบบค้นคืนทุกแบบหรือทำได้ดีเท่ากันในทุกงาน
9
สำหรับความสามารถทั่วไป รายงานผลประเมินระบุว่า Flash ยังคงทำได้ใกล้เคียงกับรุ่นก่อนเพิ่มความจำ เมื่อต้องทดสอบท่ามกลางข้อมูลรบกวนจำนวนมาก และทำได้ดีขึ้นในบางชุดทดสอบ7
25
ตรวจสอบไลเซนส์ก่อนนำไปใช้
น้ำหนักโมเดลกับซอฟต์แวร์ประกอบมีเงื่อนไขการใช้งานคนละส่วน หน้าโมเดลบน Hugging Face ระบุว่า น้ำหนัก Flash ใช้ไลเซนส์ MIT และ น้ำหนัก Nano ใช้ Apache 2.020
21 ส่วนเอกสารเกี่ยวกับซอฟต์แวร์ inference ที่ใช้ร่วมกันระบุ PolyForm Noncommercial 1.0.0 ดังนั้นควรตรวจสอบไลเซนส์ของ repository และส่วนประกอบจากบุคคลที่สามให้ครบก่อนนำโค้ดไปใช้เชิงพาณิชย์
18
20
21
30
จุดขายหลักของ MemT 1.0 คือการเก็บประวัติที่เป็นประโยชน์ไว้ในสถานะภายในที่มีขนาดจำกัด ซึ่งอาจช่วยลดการประมวลผลซ้ำและพื้นที่จัดเก็บต่อเซสชันในการสนทนายาว ผลทดสอบที่เผยแพร่มาน่าสนใจสำหรับแนวทางนี้ แต่ยังเป็นผลที่บริษัทรายงาน ไม่ใช่ข้อยืนยันว่าจะได้ประสิทธิภาพแบบเดียวกันในทุกการใช้งาน
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "MemT 1.0 เปลี่ยนวิธีที่ AI จดจำบทสนทนายาว ๆ อย่างไร" คืออะไร
MemTensor เปิดตัวโมเดลที่เน้นการจดจำภายใน 2 รุ่น ได้แก่ Flash (พารามิเตอร์รวม 288B ใช้งาน 17B) และ Nano (รวม 36B ใช้งาน 3B)
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
MemTensor เปิดตัวโมเดลที่เน้นการจดจำภายใน 2 รุ่น ได้แก่ Flash (พารามิเตอร์รวม 288B ใช้งาน 17B) และ Nano (รวม 36B ใช้งาน 3B) แทนที่จะประมวลผลบทสนทนาทั้งหมดซ้ำ โมเดลจะเก็บข้อมูลไว้ในสถานะความจำภายในขนาดคงที่ แล้วนำมาใช้เมื่อต้องตอบคำถาม
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
ผลทดสอบที่บริษัทเป็นผู้รายงานระบุว่า Nano ประมวลผลเร็วขึ้นราว 1.86 เท่าที่ประวัติ 128K tokens และ 3.99 เท่าที่ 256K แต่ผลจริงอาจต่างกันตามงานและเงื่อนไขการใช้งาน