MemT-1.0
一种具有原生记忆能力的基础模型，通过架构改造使记忆成为模型内生能力，而非依赖外部检索或长上下文。
时间轴 (近 90 天)
MemT-1.0 将记忆视为基础模型计算的一部分，通过架构层面改造让基础模型自己积累和调用信息，而不是依赖检索增强或超长上下文。
MemT-1.0 建立在 Metis 之上，采用 Gated DeltaNet-2 架构。
MemT-1.0 在每个 turn 内引入稳定的 token 级记忆更新机制，记忆写入发生在 token 粒度上。
MemT-1.0 设计了 Mixture-of-Storage（存储混合）机制，在模型内部划分不同层次的存储单元，按需分配和调用，以扩展原生记忆容量。
MemT-1.0 采用两阶段训练流程：继续预训练（continued pre-training）加后训练（post-training）。
MemT-1.0 的训练流程使用 34B tokens 的训练数据。
MemT-1.0 通过内化检索到的过程性经验（procedural experience），在 agentic 任务上的成功率得到改善。
原生记忆方案面临记忆如何更新、如何遗忘、如何保证不引入错误信息等问题，这些在论文中尚未完全展开。
全部知识事实 (8)
MemT-1.0 将记忆视为基础模型计算的一部分，通过架构层面改造让基础模型自己积累和调用信息，而不是依赖检索增强或超长上下文。
50%待验证MemT-1.0 建立在 Metis 之上，采用 Gated DeltaNet-2 架构。
50%待验证MemT-1.0 在每个 turn 内引入稳定的 token 级记忆更新机制，记忆写入发生在 token 粒度上。
50%待验证MemT-1.0 设计了 Mixture-of-Storage（存储混合）机制，在模型内部划分不同层次的存储单元，按需分配和调用，以扩展原生记忆容量。
50%待验证MemT-1.0 采用两阶段训练流程：继续预训练（continued pre-training）加后训练（post-training）。
50%待验证MemT-1.0 的训练流程使用 34B tokens 的训练数据。
50%待验证MemT-1.0 通过内化检索到的过程性经验（procedural experience），在 agentic 任务上的成功率得到改善。
50%待验证原生记忆方案面临记忆如何更新、如何遗忘、如何保证不引入错误信息等问题，这些在论文中尚未完全展开。
50%