### [MemT 1.0 – 记忆原生大模型与AI Agent长期记忆框架](https://www.zuoshipin.com/link/55609.html)

**Published:** 2026-10-20T14:10:22

**Author:** 天才交易员

**Excerpt:** MemT 1.0中文导航：了解Nano与Flash模型、原生记忆架构、Mixture-of-Storage、S…

## MemT 1.0是什么？

**MemT 1.0是一组把持久、动态演化记忆纳入模型内部计算的记忆原生基础模型。**它不要求推理时重新读取全部原始历史，而是把经验编码为可持续更新的局部记忆状态，再通过与注意力并行的记忆分支参与生成。

![MemT 1.0官方项目视觉](https://admin.zuoshipin.com/wp-content/uploads/2026/10/memt-1-native-memory-official-cover-official-cover.webp)

MemT 1.0官方项目视觉

## 两个模型版本

-   **MemT-1.0-Nano：**36B总参数、3B激活参数，基于Qwen3.6-35B-A3B。
-   **MemT-1.0-Flash：**288B总参数、17B激活参数，基于DeepSeek-V4-Flash。
-   **训练规模：**两阶段训练共使用340亿Token。
-   **长历史效率：**官方报告称，Nano在128K历史下相对完整上下文KV Cache约有1.86倍端到端加速，并把持久状态存储降低约66倍。

## 核心架构

![MemT 1.0官方架构图：局部记忆、超记忆与Token级更新](https://admin.zuoshipin.com/wp-content/uploads/2026/10/memt-1-native-memory-official-architecture-official-architecture.webp)

MemT 1.0官方架构图：局部记忆、超记忆与Token级更新

局部记忆保存每条任务轨迹的动态矩阵状态；超记忆包含查询、键值投影和擦除、写入、遗忘、输出门控。Stable Gated DeltaNet-2负责逐Token更新，Mixture-of-Storage则通过多个记忆专家扩展容量。

## 快速部署思路

1.  准备Linux、NVIDIA CUDA、Python 3.11或更高版本。
2.  从项目的`inference`目录安装服务端依赖。
3.  下载完整Nano模型权重、配置与Tokenizer。
4.  使用项目提供的启动脚本部署SGLang服务，再通过`MemTSession`保存、读取和恢复记忆状态。
5.  先用非敏感测试数据评估，再决定是否接入真实业务。

## 许可证与使用提醒

**代码公开不等于可以直接商用。**项目原创软件采用PolyForm Noncommercial License 1.0.0，官方明确表示不允许商业使用；论文材料为CC BY-NC-SA 4.0。模型权重、数据集和第三方组件还可能有各自条款，企业部署前应逐项核对。



---