Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
用AI最让人崩溃的，往往是一个再熟悉不过的瞬间：花半天纠正它，把任务做对，换个新会话，它转头又踩进同一个坑。记忆张量刚刚发布并开源了MemT 1.0，一款“记忆原生”的大模型，专门针对这个毛病。技术报告里有一场测试很能说明问题：用户先给出展览的原定时间，随后敲定周日改期，中间还顺口提了一个未被采纳的周一方案。此后双方又聊了五百多轮、约6.6万token，展览再没被提起。模型在完全不看原始文本的“闭卷”状态下，仍准确报出了原定与改期时间，并指出场地、票价和联系人都没变，把周日的定论和周一的备选分得清清楚楚。
Lo que más desespera al usar IA suele ser un momento muy conocido: pasas medio día corrigiendo al modelo para que haga bien la tarea, abres una sesión nueva y vuelve a caer en el mismo error. MemTensor acaba de presentar y publicar en abierto MemT 1.0, un modelo de lenguaje «con memoria nativa» diseñado precisamente para corregir ese defecto. El informe técnico incluye una prueba muy ilustrativa: el usuario primero indica la fecha original de una exposición, después confirma el cambio al domingo y, de paso, menciona una propuesta del lunes que no se llegó a aceptar. A partir de ahí, la conversación continúa durante más de quinientos turnos y unos 66.000 tokens, sin que nadie vuelva a mencionar la exposición. Aun así, el modelo, en estado de «libro cerrado», es decir, sin acceso al texto original, indica con precisión las fechas original y cambiada, y señala que el lugar, el precio de las entradas y el contacto no han variado. Además, distingue con claridad la decisión del domingo de la alternativa del lunes.
这类场景正是传统方案的短板。市面上多数做法是给模型外挂一个记忆库，把聊天记录存起来，需要时再检索。报告指出，面对跨度这么长的多版本信息，外挂检索很容易把闲聊当成定论。MemT 1.0的思路不同：它把模型的脑力拆成两块，一块是承载通用认知的主干网络，另一块是随交互实时演进的动态记忆状态。每轮对话结束时，模型直接在token级别刷新这块记忆，哪些留下、哪些覆盖，由训练中学出的一套门控机制决定，整个大模型无需重新训练。为了在固定体积的记忆里装下更多细节，团队还引入了Mixture-of-Storage架构，让多位“记忆专家”分头管理存储空间的读写。这些能力靠后天练出来：团队先用200亿token做继续预训练，再用140亿token做后训练，由一个“学霸”教师模型给记忆提取打分。
Este tipo de escenario es precisamente el punto débil de los enfoques tradicionales. La mayoría de las soluciones del mercado añaden al modelo una base de memoria externa, guardan el historial de chat y lo recuperan cuando hace falta. Según el informe, cuando la información se extiende en el tiempo y existen varias versiones, la recuperación externa puede confundir una charla intrascendente con una decisión firme. MemT 1.0 sigue otra vía: divide la capacidad del modelo en dos partes, una red troncal que aporta el conocimiento general y un estado de memoria dinámica que evoluciona con cada interacción. Al final de cada turno, el modelo actualiza directamente esa memoria a nivel de token. Qué se conserva y qué se sobrescribe lo decide un mecanismo de compuertas aprendido durante el entrenamiento, sin necesidad de reentrenar todo el modelo. Para almacenar más detalles en una memoria de tamaño fijo, el equipo también introdujo una arquitectura Mixture-of-Storage, en la que varios «expertos en memoria» gestionan por separado la lectura y la escritura del espacio de almacenamiento. Estas capacidades se adquieren con entrenamiento: el equipo empleó 20.000 millones de tokens en un preentrenamiento continuado y 14.000 millones en el posentrenamiento, donde un modelo docente de alto rendimiento puntúa la extracción de recuerdos.
在11项系统记忆基准测试中，全程闭卷作答的MemT-1.0-Flash和MemT-1.0-Nano均分分别为50.6和47.0，分别领先同组最强参数化记忆基线12.5分和8.9分。报告还有两个更具体的例子：约1.6万token的历史里，用户问起自己的生日，模型老实回答不知道，没有瞎编；在3.3万token的对话中，模型依据很早之前定下的规则，核对徽章和登记状态，判定两人中一人合规、一人未登记。这些数字全部来自开发方的技术报告，目前还没有独立机构的复现结果。
En 11 pruebas de memoria sistemática, MemT-1.0-Flash y MemT-1.0-Nano obtienen, respondiendo a libro cerrado, medias de 50,6 y 47,0 respectivamente, lo que supone 12,5 puntos y 8,9 puntos por encima de los mejores modelos base comparables con memoria parametrizada. El informe incluye además dos ejemplos concretos: con un historial de unos 16.000 tokens, cuando el usuario pregunta por su fecha de cumpleaños, el modelo reconoce que no lo sabe en lugar de inventárselo; y en una conversación de 33.000 tokens, aplica una norma establecida mucho antes para revisar las credenciales y el estado de registro, y determina que una de las dos personas cumple la norma y la otra no está registrada. Todas estas cifras proceden del informe técnico del desarrollador, y todavía no hay resultados replicados por ningún organismo independiente.
更进一步的测试在真实编程场景中进行。团队先从数万条成功轨迹中提炼出上千条经验，再让模型在遇到报错、空返回或重复无效操作的“卡壳点”时注入经验重跑，据此筛出约4.2万条样本训练记忆模块。在SWE-bench Verified的500项任务上，提前写入经验后，Nano的平均成功率从66.07%升至69.33%，与把同样经验直接塞进上下文的对照组（68.87%）相当。在实战模式下，模型只在报错或原地打转时才当场写入经验，平均成功率达到69.73%，略高于文本经验组的69.13%。覆盖九种编程语言的SWE-bench Multilingual测试中，Nano从60.00%提升到63.56%。这些对比同样出自开发方报告。
La prueba más avanzada se realizó en un entorno real de programación. El equipo extrajo más de un millar de experiencias de decenas de miles de trayectorias exitosas y, cuando el modelo se encontraba en un «punto muerto» (un error, una respuesta vacía o una operación repetida sin efecto), le hizo inyectar la experiencia correspondiente y volver a ejecutar la tarea. Con ello se seleccionaron unas 42.000 muestras para entrenar el módulo de memoria. En las 500 tareas de SWE-bench Verified, al escribir la experiencia por adelantado, el éxito medio de Nano pasó del 66,07 % al 69,33 %, un resultado similar al del grupo de control que introducía esa misma experiencia directamente en el contexto (68,87 %). En modo práctico, el modelo solo escribe experiencia en el momento cuando aparece un error o cuando da vueltas sin avanzar, y alcanza una media del 69,73 %, ligeramente por encima del 69,13 % del grupo que usaba experiencia en texto. En SWE-bench Multilingual, que cubre nueve lenguajes de programación, Nano pasa del 60,00 % al 63,56 %. Estas comparativas también proceden del informe del desarrollador.
对企业来说，最直接的变化是团队经验不必再反复“重教”。报告描述的场景是：项目规范和排错套路，工程师每开一个新会话都要重新交代一遍，企业等于在为重复开销持续买单。在MemT 1.0的设想里，真实业务反馈持续刷新经验库，模型把团队规范逐渐内化，老手少操心，AI少踩老坑。成本账同样关键：在双GPU、单并发的测试条件下，处理64K token历史时，Nano相对完整上下文方案的端到端推理速度约为1.20倍，历史增加到256K时达到约3.99倍；128K历史下，单条交互的持久状态存储约为完整KV cache的六十六分之一。报告还列举了数字分身、慢病管理顾问和个性化私教等长期陪伴场景，但这些仍是设想，文中没有任何落地时间表。
Para las empresas, el cambio más directo es que el conocimiento del equipo deja de tener que enseñarse una y otra vez. Según el informe, los estándares de un proyecto y las rutinas de depuración hay que volver a explicarlos cada vez que un ingeniero abre una nueva sesión, lo que supone un gasto recurrente. En la visión de MemT 1.0, los comentarios reales del trabajo actualizan de forma continua la base de experiencia, el modelo va interiorizando las normas del equipo y los veteranos tienen que supervisar menos a la IA, que repite menos errores. El coste también es clave: en una configuración de dos GPU y una sola concurrencia, al procesar un historial de 64K tokens, la velocidad de inferencia de extremo a extremo de Nano es aproximadamente 1,20 veces superior a la de un método con contexto completo, y con un historial de 256K llega a unas 3,99 veces. Con un historial de 128K, el almacenamiento persistente de estado por interacción ocupa aproximadamente 1/66 de la caché KV completa. El informe también menciona escenarios de acompañamiento a largo plazo, como gemelos digitales, asesores para la gestión de enfermedades crónicas o entrenadores personales personalizados, pero se presentan como una visión de futuro, sin calendario de implantación.