开源10天，这款上海记忆模型在海外火了！

Agent时代，大模型比拼的不再只是单次问答的能力。

写代码、解析材料、调用工具，AI能承接的任务清单越拉越长。但当Agent接手跨多轮的连续项目，历史沟通无法延续、过往经验难以复用、长对话算力持续飙升……各类难题接踵而至。记忆，成了横亘在长期Agent落地面前绕不开的一关。

10月20日，记忆张量（上海）科技有限公司正式发布、开源记忆原生基座模型MemT 1.0系列，包括Flash、Nano两个版本。不同于拉长上下文、外挂知识库的通用解法，这支上海团队选择改造模型内部架构，让历史信息与任务经验直接参与后续计算。

十天过去，MemT 1.0累计下载突破10万次，日均超1万次；技术报告发布首日，就登上Hugging Face（全球主流的开源AI模型社区）每日论文榜第二位，Hugging Face官方也刊文解析其记忆机制与实测表现；不少海外开发者也已动手二次开发。

这套方案究竟新在哪里，又为何值得众多开发者上手一试？

01

把记忆写进模型

不翻笔记，直接记在脑子里

行业处理记忆的主流办法，大致分为三类。

一种是拉长上下文窗口，相当于每次开会都带上全套历史纪要。材料完整，但对话越久，模型待处理的内容随之膨胀，成本跟着对话长度一起涨。

一种是把知识训练进模型本身，能直接调用，可一旦要修改单条记忆，往往得动整个模型，灵活性不足。

还有一种是外挂知识库检索，也就是RAG。如同设立一个档案柜，资料可查可改，但模型仅能调取外部素材，无法自动消化交互沉淀下的经验。

这些方式各有用途。记忆张量进一步探索的是：能否让交互中的新信息持续写入模型内部，后续直接读取使用，又不必为每次交互重新训练模型？

MemT 1.0的做法，是在模型内部开辟一块可更新的“记事区”。每聊完一轮，新信息自动写入；下一轮回答时，它直接和当前问题一同参与思考，无需重复读取全部原始对话记录。存储产出的是模型专用的记忆快照，人类无法直接读取快照内的文本，但支持保存、载入、分发，可供模型直接调用。

团队将这套范式命名为“记忆原生”——记忆不再是外挂工具，而是模型计算流程本身的组成部分。过去是干活前翻一遍笔记本，现在是把事情记在了脑子里。开源的两个版本中，Nano为360亿参数，Flash为2880亿参数。

先从一个真实测试场景来感受：一场展览原定周六下午3点，正式通知改到周日下午4点，随后有人提议改到周一，但没有敲定。之后话题转向别处，聊了500多轮。再问展览原来定在什么时候、最后改到什么时候，Nano答对了，原安排、正式变更和未被采纳的建议分得清清楚楚，回答时也没有重读聊天记录。

放到真实项目协作当中，这一能力的价值尤为突出——项目内提案、修订、作废信息交织混杂，AI需要甄别信息效力，分清哪些仅为备选、哪些是最终确认结论。

在11项公开记忆评测中，两款模型平均得分分别为50.6、47.0，在参数化记忆赛道位列前两名，相较此前最优基线分别高出12.5分、8.9分。

记住已发生的事实只是基础，更大的价值在于复用做事经验。团队从4万多条真实编程轨迹中提炼出1040条排错经验，可在AI任务陷入瓶颈时写入内部记忆。

MemT 1.0 在基准测试中的记忆性能表现

对照实验显示：未加载经验时，AI定位代码问题便直接着手修改；注入“先复现问题、再实施修改、完成后开展验证”的经验后，模型会先写测试把问题复现出来，修改完成还会主动复核边界条件，再迭代修正。

在SWE-bench Verified共500项代码修复测试中，同一任务连续三次全部执行成功的占比从54%提升至62.8%，平均任务成功率由66.07%上涨至69.73%。对企业来说，稳定复现结果远比偶然答对更有实际意义，能切实降低人工复核的负担。虽然当前实验中的经验仍需外部构建、检索并写入，但结果说明，已有方法可以通过内部记忆影响模型后续执行。

在算力开销层面，MemT依靠大小固定的记忆状态，规避对话变长带来的文本搬运负担。受控测试显示，随着历史长度从128K增至256K，推理速度可达传统完整上下文方案的1.86至3.99倍，存储开销仅为传统方案的1/66至1/130，从提问到开始回答的等待时间也稳定在0.1秒左右。不过对话较短时优势并不明显，长对话才是它的主场。

效率评估结果，端到端延迟与查询首token延迟

02

双线产品布局

资本押注长期记忆赛道

MemT背后，是一条持续推进的研究路线。

2023年，创始人兼CEO熊飞宇在上海算法创新研究院牵头组建大模型中心，把长期记忆作为下一代模型架构的核心方向。2024年11月，团队创立记忆张量，推动科研成果向产品落地演进。

熊飞宇本科毕业于华中科技大学，后获美国德雷塞尔大学博士学位，阿里系出身，曾任阿里巴巴业务中台数据智能、淘宝天猫集团数据平台负责人。既做研究，也经历过大型业务系统的实战。

在MemT模型问世之前，团队就已经推出了记忆操作系统MemOS。

企业的信息常常散落各处：项目文档里有背景，聊天记录里有要求，执行日志里有处理过程。哪些该留、变了怎么更新、调用时如何快速定位，都需要统一管理。

MemT 1.0 记忆原生架构

MemOS与MemT1.0属于两条并行研发路线，目标同源，分工明确，支持组合部署。

·MemOS，系统层产品：聚焦记忆素材的管理。负责存储、检索、版本管控与调度。该产品目前已经实现产业落地，开源项目GitHub Star破万，云服务单月调用量超5000万次，服务过500余家企业客户。从大量真实业务场景持续收获一线痛点与工程经验。

·MemT1.0，模型架构层产品：向内改造推理逻辑，让记忆直接参与模型计算，探索如何让模型消化交互历史，并在后续任务直接复用。

换句话说，MemOS负责管好外部的资料档案；MemT则尝试让模型长出自己的记忆。合同、金额、法条这类需精准核验的内容，仍要调取原文；长期协作沉淀下的处事逻辑、沟通共识，更适合交给原生记忆。

资本已经提前嗅到这条路线的潜力。今年7月，记忆张量完成亿元级Pre-A轮融资，华为哈勃、荣耀战投、商汤国香资本、深创投、和玉资本入局；9月，再获Pre-A+轮融资，东方富海领投，上海国投孚腾资本追加投资。

短短两月两轮融资，产业资本、国资平台、市场化VC纷纷押注。资金将投向记忆原生基座模型研发、MemOS生态建设以及全球人才引进。MemT 1.0的开源，正是这条路线走到模型层的阶段性成果。

03

记忆赛道升温

向模型深处落子

记忆，正在从模型的附属功能，成长为一条独立赛道。

爱分析预测，中国智能体记忆市场规模将从2025年的14.4亿元增长至2030年的642.5亿元，占智能体基础设施的比重接近26%，成为仅次于模型的第二大独立市场。

市场增长预期背后，是AI深度嵌入企业业务流程的大趋势。大量Knowhow、排障经验、客户服务方法、团队踩过的坑，都沉淀在长年实践中，理应被延续复用。

赛道热了，玩家自然多。云厂商依托存储资源布局记忆管理，独立平台主攻通用记忆中间件，谷歌Titans等研究也在探索模型内部记忆。但市面上绝大多数方案，依旧搭建在模型外层。

向内改造模型架构的路线，少有人走，也面临不少现实挑战。MemT 1.0当前仍为预览版本，并非终局方案：受固定记忆容量限制，高频更新之后部分细节会出现损耗；在需要精准还原海量原文细节的场景，外挂检索方案依旧具备优势；新旧信息冲突如何筛选取舍、如何实现模型自主提炼经验，都是待攻克的课题。

正因如此，团队选择把模型与技术报告开源，交由全球开发者共同验证迭代。

除Hugging Face、GitHub外，模型同步上线了魔搭社区；据公司披露，在大尺寸创新架构开源模型中，该下载数据处于领先位置。已有美国开发者将 Nano封装成可在本地运行的“持久记忆模型”，能把整段对话历史压缩为约40MB的记忆存档，与固定记忆状态的设计相契合。部署门槛也不算高：官方推理指南中，Nano需要两张显卡，Flash需要八张。

国内开发者也完成了实测验证：在单张高端显卡上跑通了Nano，向模型注入支付系统的四条内部编码规范，生成记忆快照；随后新开空白会话，不导入任何聊天记录，仅载入快照，要求它写一个支付回调接口。模型调用出了团队独有的组件名称和错误码；而没有记忆的对照组，只输出了通用代码。

不过，记住要点不等于严格执行，加锁写法、锁名等细节仍有偏差，产出还需人工复核。但这份快照可以保存、恢复，也可以分发，团队规范、排障经验这类长期沉淀，由此有了新的载体。

开源模型的竞争本质是生态竞争：被下载、复现、二次开发的案例越多，技术路线越有机会沉淀为行业通用底座。

Agent时代，企业需要的是可以接续推进长期任务的智能助手，记忆能否留存、经验能否复用，直接影响人机协同的上限。让经验参与计算，让记忆成为能力，这支上海科创团队，为大模型产业下一程，亮出了一张“记忆原生”的底层牌。