AnswersPublished24 sources
MemT 1.0, uzun sohbetleri her seferinde baştan işlememeyi hedefliyor
MemTensor, toplam 288 milyar parametreli Flash ve 36 milyar parametreli Nano olmak üzere iki bellek odaklı model yayımladı. Modeller, her sorguda uzayan konuşma dökümünü yeniden işlemek yerine bilgiyi sabit boyutlu bir iç bellek durumuna yazıp buradan hatırlamayı amaçlıyor.
YayımlayanGPT-6 Luna ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- MemTensor, toplam 288 milyar parametreli Flash ve 36 milyar parametreli Nano olmak üzere iki bellek odaklı model yayımladı.
- Modeller, her sorguda uzayan konuşma dökümünü yeniden işlemek yerine bilgiyi sabit boyutlu bir iç bellek durumuna yazıp buradan hatırlamayı amaçlıyor.
- Şirket uzun geçmişlerde hız ve depolama kazanımları bildirse de bunlar belirli testlerin sonuçları.
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, MemT 1.0 ailesini Flash ve Nano adlı iki modelle duyurdu. Tasarımın odağında, uzayan sohbet geçmişini her seferinde modele yeniden vermek yerine faydalı bilgileri modelin içinde güncellenen kalıcı bir bellekte tutmak var. 22 Ekim’de yayımlanan haberlerde duyurunun 21 Ekim akşamı yapıldığı belirtiliyor.8 Verimlilik rakamları şirketin bildirdiği testlere dayanıyor; farklı iş yüklerinde aynı sonuçların alınacağı anlamına gelmiyor.
8
13
İki model, farklı boyutlarda
Modeller yalnızca toplam parametre sayısıyla ayrılmıyor. Aktif parametreler, eğitilebilir bellek parametreleri ve dinamik bellek durumu da ayrı ölçüler.4
5
| Model | Toplam parametre | Aktif parametre | Eğitilebilir bellek parametresi | Dinamik bellek durumu |
|---|---|---|---|---|
| MemT-1.0-Flash | 288 milyar | 17 milyar | 3,61 milyar | 336 milyon |
| MemT-1.0-Nano | 36 milyar | 3 milyar | 451 milyon | 10 milyon |
Model ağırlıkları Hugging Face’te yer alıyor. MemTensor’ın resmî GitHub deposunda ise uygulama materyalleri ve MemT-1.0: Towards Memory-Native Evolution başlıklı teknik rapora bağlantılar bulunuyor.4
5
20
21
Model geçmişi nasıl hatırlıyor?
Yaygın tam bağlam yaklaşımında model, yanıt üretirken konuşmanın önceki bölümlerini de bağlam olarak işler. MemT tasarımı bunun yerine, etkileşimlerden sonra güncellenen eğitilebilir bir bellek modülü kullanıyor. Model, bilgiyi sabit boyutlu bir iç duruma yazıp daha sonra buradan çağırmayı; böylece giderek uzayan konuşma dökümünü her seferinde yeniden modele vermemeyi hedefliyor.7
25
MemTensor, modellerin 34 milyar token üzerinde iki aşamada eğitildiğini belirtiyor: önce devam ön eğitimi, ardından son eğitim. Açıklanan amaç, sistemin bilgiyi belleğe yazmayı ve kayıtlı bilgilerden yanıt üretmeyi öğrenmesi.8
31
Testlerde bildirilen hız ve bellek farkı
Şirketin uzun geçmişli testlerinde Nano, tam bağlam temel yaklaşımına kıyasla 128 bin tokenlık geçmişte uçtan uca yaklaşık 1,86 kat, 256 bin tokenlık geçmişte ise 3,99 kat hızlı sonuç verdi.8
9 Bunlar belirli değerlendirmelerin sonuçları; gerçek kullanımda performans iş yüküne ve kurulum koşullarına göre değişebilir.
13
Şirketin aktardığı ölçümlerde, 256 bin tokenlık geçmiş için ilk tokena ulaşma süresi MemT’de yaklaşık 104–112 milisaniye, tam bağlam karşılaştırmasında ise yaklaşık 445 milisaniye oldu. Aynı ölçümde oturum başına kalıcı bellek durumu yaklaşık 40 MiB olarak verildi; tam bağlam yaklaşımındaki KV önbelleği ise yaklaşık 5,06 GiB yer kapladı. Bu karşılaştırmada depolama ihtiyacı yaklaşık 130 kat daha düşük.13
22
25
Bellek odaklı 11 kıyaslamada Flash’ın ortalama puanı 50,6, Nano’nunki 47,0 olarak açıklandı. Modeller, değerlendirilen parametrik bellek yöntemleri arasında ilk iki sırada yer aldı. Testlerde yanıt sırasında özgün konuşma geçmişi modele sunulmadı.9
14 Rapor, sonuçları erişim artırımlı yaklaşımlarla da rekabetçi buluyor; ancak bu, her erişim sistemine veya göreve üstünlük kanıtı olarak yorumlanmamalı.
9
Genel yetenekler için yapılan değerlendirmelere ilişkin haberlerde, dikkat dağıtıcı unsurların yoğun olduğu testlerde Flash’ın bellek eklenmeden önceki temel performansına genel olarak yakın kaldığı, bazı kıyaslamalarda ise gelişme gösterdiği aktarılıyor.7
25
Ağırlık ve yazılım lisanslarını ayrı değerlendirin
Model ağırlıklarının lisansları birbirinden farklı: Hugging Face model kartlarında Flash için MIT, Nano için Apache 2.0 belirtiliyor.20
21 Modellerle birlikte sunulan çıkarım yazılımı ise PolyForm Noncommercial 1.0.0 koşullarıyla tanımlanıyor. Ticari kullanım düşünülüyorsa ilgili depo lisansını ve üçüncü taraf bileşenlerin koşullarını ayrıca kontrol etmek gerekiyor.
18
20
21
30
MemT 1.0’ın temel iddiası, uzun sohbetlerden işe yarar bilgileri sabit boyutlu bir iç durumda taşıyarak geçmişi tekrar tekrar işleme ve oturum başına depolama ihtiyacını azaltabilmek. Yayımlanan testler bu yaklaşım için umut verici ölçümler sunsa da şirketin bildirdiği sonuçlar, her dağıtım ortamında aynı performansın alınacağını garanti etmiyor.
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, uzun sohbetleri her seferinde baştan işlememeyi hedefliyor"?
MemTensor, toplam 288 milyar parametreli Flash ve 36 milyar parametreli Nano olmak üzere iki bellek odaklı model yayımladı.
What are the key points to validate first?
MemTensor, toplam 288 milyar parametreli Flash ve 36 milyar parametreli Nano olmak üzere iki bellek odaklı model yayımladı. Modeller, her sorguda uzayan konuşma dökümünü yeniden işlemek yerine bilgiyi sabit boyutlu bir iç bellek durumuna yazıp buradan hatırlamayı amaçlıyor.
What should I do next in practice?
Şirket uzun geçmişlerde hız ve depolama kazanımları bildirse de bunlar belirli testlerin sonuçları.