TWITTER / X
ModelScope 发布 MemT-1.0 开源权重模型家族：内置持久化记忆，可在不加载原始上下文的情况下复用历史信息
ModelScope 官方账号宣布推出 MemT-1.0，一个带内嵌持久化、可演化记忆的开放权重模型家族。据官方介绍，MemT-1.0-Flash 与 MemT-1.0-Nano 在 11 个记忆基准上分别排名第一和第二；其动态局部记忆与可训练的超记忆可在推理时不携带原始对话上下文；在 128K 历史长度下，Nano 官方宣称可实现 1.86 倍端到端推理加速，持久化存储约为完整上下文 KV 缓存的 1/66。模型有两个骨干版本：Nano 基于 Qwen3.6-35B-A3B（约 30 亿活跃参数），Flash 基于 DeepSeek-V4-Flash（约 170 亿活跃参数），均支持本地持久记忆会话，Flash 权重以 MIT 协议发布（骨干模型原有许可证仍然适用）。
AI 解读
这是一条明确的 AI 产品/模型发布新闻，具有可核实的技术细节。核心看点在于把持久化记忆直接纳入模型计算本身（参数化记忆方法），而非依赖外挂式上下文重载或外部向量存储，这对长时程智能体（long-running agents）尤其有意义——智能体可以跨会话复用历史信息，降低延迟与存储开销。需要标注的是：1.86× 推理加速与 66× 存储下降均为发布方的官方说法，未经独立验证；11 个基准的第一、二名同样是发布方口径，具体评测设置与对比对象未在原文中给出，建议读者以 ModelScope 公布的评测详情为准。商业影响方面（推断）：该发布依托 ModelScope 的开源生态分发，MIT 协议的 Flash 版本有利于企业私有化部署与二次开发，可能与同类记忆增强方案形成直接竞争。另需注意时间点：原文署名为 ModelScope2022，发布于 2026-10-20，涉及 Qwen3.6、DeepSeek-V4-Flash 等较新骨干型号，符合当前时间线。
推文原文
Introducing MemT-1.0, an open-weight model family with persistent, evolving memory built into model computation, enabling conversations and agents to reuse historical information without reloading the original context. 🤖 https://modelscope.ai/collections/MemTensor/MemT-10 🏆 Leads parametric memory methods: Across 11 memory benchmarks, MemT-1.0-Flash and MemT-1.0-Nano rank first and second among the evaluated methods. 🧠 Memory lives in the model: Dynamic local memory and trainable hyper memory retain past information without carrying the original conversation into every new inference. ⚡ Built for long-running agents: At 128K history, Nano delivers an official 1.86× end-to-end inference speedup and about 66× lower persistent storage than a full-context KV cache. 🛠️ Two backbones, one memory design: Nano is built on Qwen3.6-35B-A3B with about 3B active parameters; Flash builds on DeepSeek-V4-Flash with about 17B active parameters. Both support locally persistent memory sessions. 📜 Flash weights are released under MIT. Inherited backbone licenses still apply.