MemT-1.0 发布：把记忆内化为模型自身能力的新架构

MemT-1.0 是一套记忆基础模型架构，基于 Metis 骨干，采用 Gated DeltaNet-2 实现轮次内稳定的 token 级记忆更新，并通过 Mixture-of-Storage 扩展原生记忆容量。训练采用继续预训练加后训练的两阶段流程，使用了 340 亿 token 的训练数据。评测显示 MemT-1.0-Nano 和 MemT-1.0-Flash 平均优于参数化记忆基线，与检索增强方法竞争力相当。在 128K 历史长度下，MemT-1.0-Nano 相比完整上下文 KV 缓存获得约 1.86 倍端到端推理加速和 66 倍持久存储缩减，同时提升了智能体任务的成功率。