记忆张量开源MemT 1.0：记忆原生焊进Transformer，完成近300B验证

AI圈近期密集关注RSI（递归自我改进），Hinton的RSI论文汇集了Bengio、OpenAI首席科学家Pachocki、Anthropic联创Jack Clark等众多署名者。在AI自我改进之外，一个基础问题随之浮现：一次改进如何成为下一次的起点？承接这一问题的正是记忆。记忆张量给出的答案是记忆原生，即将经验的保留、更新和调用做成模型可以学习的能力。

记忆张量最新开源的MemT 1.0系列给出具体路径：把经验编码成内部动态状态，通过训练学习如何写入、更新和读取，再让这些状态经由记忆分支参与后续计算。与外部记忆相比，该方案能力不打折，拓展天花板更高，也是记忆原生模型首次实现近300B参数规模的工程验证。

MemT 1.0包含两个型号：MemT-1.0-Nano总计36B参数、激活3B，基座为Qwen3.6-35B-A3B；MemT-1.0-Flash高达288B参数、激活17B，基座为经进一步后训练的DeepSeek-V4-Flash。两者均在选定的Transformer模块中增加了一条与原有注意力并行的记忆计算通路。

在SWE-bench Verified的500项任务、每项独立运行三次的测试中，MemT-1.0-Nano关键断点平均成功率为69.73%，无经验基线为66.07%，文本经验组为69.13%；三次全部成功的任务比例从54.00%提升至62.80%。在SWE-bench Multilingual中，原生记忆组平均成功率63.56%，高于无经验组的60.00%和文本经验组的63.00%。结果表明，程序性经验可通过记忆原生得以保留，表现接近显式文本经验，优势体现在平均成功率和重复执行的可靠性上。