MemT-1.0 记忆基础模型发布，将记忆内化为模型计算的一部分

MemT-1.0 是一套把记忆内化为模型计算一部分的记忆基础模型架构，基于 Metis，采用 Gated DeltaNet-2 与逐 token 稳定记忆更新机制，并用 Mixture-of-Storage 扩展原生记忆容量，训练管线含继续预训练与后训练，共 34B token 数据。发布了 MemT-1.0-Nano 和 MemT-1.0-Flash，评测显示平均优于参数化记忆基线、与检索增强方法相当且大体保留通用能力；在 128K 历史长度下 Nano 端到端推理约 1.86× 加速、持久存储较全上下文 KV cache 减少 66 倍，并通过内化检索到的程序性经验提升 agentic 任务成功率。