用过一个AI助手的人都有体会：今天聊过的项目，明天它就忘了；上周定下的偏好，这周还得重新交代一遍。不是它笨，是传统大模型天生"金鱼记忆"，每轮对话都从零开始。
模型第一次有了"自己的记事本"
10月20日，来自上海的记忆张量团队正式发布并开源了记忆原生模型MemT1.0系列。据环球网、新民晚报等媒体报道，这一系列把可持续存在、可更新的内部记忆直接纳入了模型计算，历史信息和任务经验可以在后续任务中被直接调用，不用再把原始历史文本重新喂一遍。
系列包含两款模型：MemT-1.0-Flash参数规模288B，MemT-1.0-Nano为36B。团队在选定的Transformer模块里引入了原生记忆模块，让记忆成为模型前向传播的一部分——通俗说，就是给模型装了一个随用随更新、随用随读取的"记事本"。
架构上有三个关键动作：基于Gated DeltaNet-2的逐标记稳定更新机制，让模型在每轮交互后把新信息擦除、写入、遗忘，融进已有记忆；Mixture-of-Storage混合存储扩容，把记忆模块拆成多个记忆专家，为容量扩展打基础；再加上持续预训练与后训练两阶段，让模型真正学会"带着记忆干活"。
成绩单：记忆能力排第一，写代码更稳了
评测结果相当亮眼。在11项记忆基准上，Flash与Nano的平均得分分别为50.6和47.0，位列本次评估的参数化记忆方法第一、第二。
更实用的是编程场景。在软件工程评测SWE-bench Verified的500项任务中，Nano的平均成功率从66.07%提升到69.73%，三次全部成功的比例从54.00%提高到62.80%。翻译成大白话：AI写代码不再"时灵时不灵"，重复执行的一致性明显增强。
长上下文场景下省得更厉害：处理128K长历史时，Nano的端到端推理速度约是完整上下文方式的1.86倍，256K时达到约3.99倍，而需要持久保存的记忆状态只有传统方式的约六十六分之一。记忆小了、速度快了、还不丢事，这是一笔很划算的账。
为什么"记住"比"聪明"更值钱
过去两年，行业卷的是推理能力：谁的模型更能想、更能算。但企业用户最头疼的其实是另一件事——AI不积累。客服机器人记不住客户上次的投诉，编程助手记不住项目的技术栈，每个会话都是一次性的。
业内分析认为，记忆原生为持续学习和递归自我改进提供了基础，有望推动大模型从"会推理"走向"会积累、会成长"，智能客服、软件研发自动化、个性化服务这些场景会最先受益。
对开发者来说还有个好消息：MemT1.0系列已通过Hugging Face等平台开源，权重免费可取。团队表示，下一步将持续提升长期记忆、扩展记忆容量、降低更新成本。
普通人现在能做什么
一是开发者可以上手试了，把记忆原生模型跑进自己的客服或助手项目里，实测"记住用户"到底值几个点的留存；二是企业选型时，可以把"是否具备持久记忆"列进评估清单，别再只盯着跑分；三是普通用户不妨留意，未来一两年，你的AI助手可能会真的记得你上次说过什么。
会记事的AI，才算真正开始替你干活。