用 AI 最让人崩溃的瞬间，莫过于你花半天纠正它把任务做对，换个新会话，它转头又踩进同一个坑里。模型做过了事，却没变成它的成长。跑通单次任务之外，它真正缺的是把反馈转化为经验，并在之后主动调用。 这种割裂在 Meta Muse、OpenAI Dots 与 xAI Grok Bot 掀起的私人助理热潮中格外明显：主流的外挂检索最多算翻查静态备忘录，没法把调教过程沉淀为行事默契，而这恰恰是长期助理最核心的门槛。 今天，记忆张量正式发布并开源 MemT 1.0 记忆原生大模型。 它和外挂方案最大的不同，不只是让记忆脱离了外挂模块，内化进底层架构，更在于模型通过训练，自己学会了如何读写、更新和调用记忆，让经验积累本身成为模型能力的一部分。 把记忆，写进模型的骨子里 市面上多数方案喜欢把存聊天记录当成记忆，但存下流水账，应付不了真实世界的动态交互，离真正的助理也还差得远。 MemT 1.0 的技术报告中就提到一场硬核的测试：用户先给出展览原定时间，随后敲定周日正式改期，中间还顺嘴提了一条未被采纳的周一备选方案。此后双方东拉西扯聊了五百多轮、攒下约 6.6 万 token 的聊天记录，期间再未提过展览半个字。 如果靠传统外挂检索，面对跨度这么长的多版本信息，极易把闲聊当定论；但 MemT 1.0 在完全脱离原始文本的「闭卷」状态下，依然准确报出了原定与改期时间，明确指出场地、票价和联系人未变，将周日定论与周一备选分得清清楚楚。 之所以能做到这一点，是因为 MemT 1.0 走了一条「记忆原生」的技术路线。 图｜ Code:https://github.com/MemTensor/MemT-1.0 Model:https://huggingface.co/collections/MemTensor/memt-1 在架构设计上，MemT 1.0 将模型的脑力拆分为两块： 主干网络（通用能力）： 就像 AI 的出厂设置，装载着它对这个世界的通用认知。 动态记忆状态（独立记忆）： 相当于模型在具体交互轨迹中实时演进的「专属工作状态」，不同用户或任务之间彼此独立，在持续交互中动态吸收新信息与经验，并直接参与后续每一轮生成计算。 面对不断涌入的交互信息，MemT-1.0 无需重新训练整个大模型，在每轮对话结束时，直接通过 token 级别的更新机制刷新记忆状态。至于哪些该留、哪些该改，则交由模型在训练中学出的一套门控机制自主决断。 这就解释了前文那场五百多轮的测试里，模型为什么能自动滤掉闲聊噪音，在日程变更时覆盖过时状态、锁定周日定论。到了后续对话与任务执行中，并行记忆注意力机制又会随时提取这些沉淀下来的状态，直接参与当前计算并引导模型的下一步决策。 当然，这种精准的取舍能力没法天生自带，全靠后天硬练。 团队喂了 340 亿 token 数据，分两步打磨这套机制：先用 200 亿 token 做继续预训练，让模型试着用过去片段预测未来；再用 140 亿 token 做后训练，请来「学霸」教师模型给记忆提取打分，用误差倒逼它改进。 取舍之外，还得装得下。MemT 的记忆状态采用固定体积，持续交互只更新已有矩阵；为了在这个固定体积里装下更多细节，团队引入了 Mixture-of-Storage（MoS）架构：基座 MoE 管计算，MoS 让多位「记忆专家」分头掌管存储空间的读写分配。 这套架构+训练的组合拳，在 11 项系统记忆基准测试（覆盖长期保留、动态更新、个性化理解等维度，历史跨度从 16K 直至百万 token）中交出了一份亮眼的成绩单： 全程闭卷作答的 MemT-1.0-Flash 和 MemT-1.0-Nano 均分分别达到 50.6 和 47.0，分别领先同组最强参数化记忆基线 12.5 分和 8.9 分。 消融实验也直接印证了训练与架构的含金量。如果拿掉后训练这一步，Nano 的均分会从 47.0 直接掉到 36.3；将 MoS 记忆专家从 2 个扩充至 4 个，测试均分则最高提升了 2.7 分。 跑分之外，测试里的两个小细节更能直观说明什么才叫高质量的记忆。 约 16K token 的历史里，用户问起自己的生日，由于从没提供过，模型老实回答不知道，没有瞎编。在一段 3.3 万 token 的对话里，模型需要根据很早之前定下的规矩，来判断两个人谁有资格领工具箱。它准确核对了徽章与登记状态，判定一人合规、一人未登记。 知之为知之，记规则不漏细节，这才是可用 AI 助理的及格线。 自我持续进化，从经验闭环开始 如果把要求拔高一步：过去的踩坑教训，真能改变模型在后续新任务里的做事方式吗？ 为了跑通「任务产生反馈、提炼沉淀经验、再改善后续任务」的连续自我改进闭环，技术团队在真实编程场景里搭建了一套完整训练与执行链路。 第一步，先教会模型怎么把别人