MemT 1.0 上海记忆原生模型开源 10 天海外走红，架构创新信息梳理

来自上海记忆张量（MemTensor）团队的 MemT 1.0 记忆原生模型，在 10 月 20 日开源之后只用 10 天就在海外 AI 社区出圈，累计下载突破 10 万次，日均下载超 1 万次，技术报告登上 Hugging Face 每日论文榜第二名，Hugging Face 官方还专门发文解读它的记忆机制，大量海外开发者拿来二次开发、搭建长期 Agent。和市面上常见的外挂检索知识库、拉长上下文窗口的方案不一样，MemT 1.0 直接改造 Transformer 底层架构，加入原生记忆模块，记忆是模型前向计算的一部分，不用每次推理都重复传入全部历史对话文本，解决 Agent 长期任务里历史信息丢失、长上下文算力开销巨大的痛点，开源一共放出两个版本，Flash 大版本和 Nano 轻量版本，在 11 项记忆类基准测试里拿到同类型方案前两名，记忆存储开销远低于传统长上下文方案，适合代码智能体、长期对话机器人、持续任务 Agent 这类场景。

一、MemT 1.0 版本参数与评测表

二、核心架构创新要点

1. 并行双注意力：原有注意力模块和记忆注意力模块并行运行，记忆参与模型原生计算。
2. Gated DeltaNet-2 逐 Token 更新：支持记忆写入、更新、选择性遗忘，不用一次性加载全部历史。
3. MoS 混合存储（Mixture-of-Storage）：多个记忆专家 + 稠密路由，横向扩展记忆容量。
4. 两阶段训练：持续预训练 + 后训练，让模型学会主动使用内部记忆。
5. 极低存储开销：超长历史场景下，记忆存储成本大约只有完整上下文方案的 1/66。

三、对比传统记忆方案差异

四、适合落地场景清单

✅ 代码 Agent、SWE-bench 类持续编程任务

✅ 长期对话陪伴机器人、个性化用户助手

✅ 多步骤连续任务智能体、跨会话项目协作

✅ 本地私有化部署、不想维护复杂检索库的 AI 应用

五、开源获取渠道

• Hugging Face：MemTensors 组织主页
• GitHub：配套推理代码、评估脚本、示例 Agent
• 国内同步上架魔搭 ModelScope 社区

【相关 FAQ】

问题 1：开源 10 天，这款上海记忆模型 MemT 1.0 在海外火了，它和普通大模型加长上下文有什么区别？

回答 1：上海记忆模型 MemT 1.0 是原生内置记忆模块，历史信息会保存在模型内部记忆里，推理时不需要重复传入全部历史文本；加长上下文是每次对话都把所有历史塞进 prompt，Token 消耗、推理延迟会随对话拉长快速上涨。

问题 2：开源 10 天，这款上海记忆模型 MemT 1.0 在海外火了，MemT-1.0-Nano 轻量版能不能跑本地端侧设备？

回答 2：MemT-1.0-Nano 是轻量化版本，激活参数只有 3B，适合本地部署，很多海外开发者拿它在本地 GPU 上测试长期 Agent，不过它依然需要一定显存，不是手机端无门槛直接跑。

问题 3：开源 10 天，这款上海记忆模型 MemT 1.0 在海外火了，是不是代表它可以直接替代 RAG 检索方案？

回答 3：不是，上海记忆模型 MemT 1.0 主打会话内长期记忆，适合持续任务 Agent；RAG 适合海量静态文档知识库检索，二者场景不完全重合，很多开发者会把 MemT 记忆机制和 RAG 搭配使用。

【参考资料】

[2026-10-30]（开源 10 天累计下载破 10 万 MemT 1.0 架构创新海外出圈）新浪新闻

[2026-10-30]（记忆张量 MemT 1.0 开源 10 天累计下载破 10 万）36 氪

[2026-10-20]（上海团队发布并开源记忆原生大模型 MemT-1.0）上观新闻

[2026-11-06]（开源 10 天，这款上海记忆模型在海外火了）张通社

[2026-10-21]（给大模型装上 “长效记忆”，这个开源让 AI 越用越会成长）上海经信委

【免责声明】

本文仅整理 MemT 1.0 上海记忆原生模型开源、社区热度、技术方案公开信息，模型效果受显存、推理框架、微调数据影响，记忆能力在不同任务上存在差异。MemT 属于前沿架构探索，不保证适配所有 Agent 场景，模型商用、二次开发请严格遵守开源协议，相关落地风险由使用者自行承担。