知识卡片：MemT-1.0：迈向记忆原生演化

一句话结论

MemT-1.0 是一类将记忆内化为模型计算组成部分的“记忆基础模型”架构；据摘要，其在长历史场景下相对全上下文 KV cache 有约 1.86× 端到端推理加速与 66× 持久存储缩减，但正文与评测细节待核实。

事件概述或研究问题

材料主张“记忆原生演化”要求把记忆变成基础模型的内在能力，使其能持续累积并利用信息。为此提出 MemT-1.0，试图将记忆作为模型计算的一部分，而非外挂检索或纯参数化记忆。研究问题可概括为：能否在保持通用能力的同时，以原生记忆架构替代/补充参数化记忆与检索增强方法。

方法/产品要点

• 以 Metis 为基础，采用 Gated DeltaNet-2，并在每轮内使用稳定的 token 级记忆更新机制（摘要表述）。
• 引入 Mixture-of-Storage 以扩展原生记忆容量。
• 训练流程：先进行 backbone 准备，再采用“继续预训练 + 后训练”的两阶段管线，使用 34B tokens 训练数据，并配套高效训练与推理基础设施。
• 发布模型家族：MemT-1.0-Nano 与 MemT-1.0-Flash。
• 评测覆盖记忆能力与通用能力（具体基准与数值待核实）。

主要结果或产业意义

据摘要：MemT-1.0 在平均意义上优于参数化记忆基线，与检索增强方法保持竞争力，同时较大程度保留通用能力。在 128K token 历史长度下，MemT-1.0-Nano 相对全上下文 KV cache 实现约 1.86× 端到端推理加速与 66× 持久存储缩减。通过内化检索到的程序性经验，MemT-1.0 提升智能体任务成功率。上述数字与结论均来自摘要，实验设置、基线选择与统计口径待核实。

为什么重要

若摘要结论成立，该工作提供了一条“记忆原生”路线：把长程记忆从外部检索或全上下文缓存，转为模型内部可扩展的存储与更新机制，从而在长历史下同时改善推理效率与持久存储开销，并为智能体积累程序性经验提供架构支撑。相较已有卡片中“结构化记忆用于边缘语言模型”的 O(1) SSM 状态注入路线，本条更强调在基础模型内部以 Gated DeltaNet-2 与 Mixture-of-Storage 实现记忆容量扩展与两阶段训练，属于同一“原生记忆”脉络下的不同技术路径；两者关系与可比性待核实。

局限与不确定性

• 未能抓取正文，摘要之外的方法细节、消融实验、基线配置与评测基准均待核实。
• “优于参数化记忆基线”“与检索增强方法竞争”的具体差距与适用条件待核实。
• 1.86× 加速与 66× 存储缩减的测量条件（硬件、batch、历史长度定义、KV cache 配置）待核实。
• 智能体任务成功率提升的幅度、任务类型与是否依赖特定后训练数据待核实。
• 34B tokens 训练数据构成、backbone 准备方式与模型参数量待核实。

可用于图书/PPT/简报的角度

• 从“外挂检索”到“原生记忆”：基础模型记忆能力的架构化路线图。
• 长上下文的经济学：全上下文 KV cache 的存储/延迟成本与原生记忆的替代潜力（数字需标注待核实）。
• 记忆基础模型的训练管线：backbone 准备、继续预训练与后训练的衔接。
• 智能体的程序性经验内化：从检索经验到模型内部记忆的迁移。
• 与 RAG、参数化记忆、SSM 状态注入等路线的对比框架（对比结论待核实）。

原始材料

• 标题：MemT-1.0: Towards Memory-Native Evolution
• 来源：arXiv，https://arxiv.org/abs/2610.26825v1
• 类型：academic（foundation-model）
• 说明：正文未能抓取，本卡片仅基于已知元数据与摘要信息生成，标注“待核实”处需以原文为准。