Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
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。
Ce qui exaspère le plus avec l'IA, c'est souvent un moment bien connu : on passe une demi-journée à la corriger pour qu'elle fasse correctement la tâche, on ouvre une nouvelle session, et elle retombe aussitôt dans le même piège. Memory Tensor (记忆张量) vient de publier et d'ouvrir le code de MemT 1.0, un grand modèle « à mémoire native » conçu précisément pour ce problème. Le rapport technique contient un test très révélateur : l'utilisateur donne d'abord la date initiale d'une exposition, puis fixe un report à dimanche, en évoquant au passage un lundi non retenu. Les échanges se poursuivent ensuite sur plus de cinq cents tours et environ 66 000 tokens, sans que l'exposition soit à nouveau mentionnée. En mode « à livre fermé », sans accès au texte original, le modèle restitue pourtant la date initiale et le report, précise que le lieu, le prix du billet et le contact n'ont pas changé, et distingue nettement la décision de dimanche de l'option de lundi.
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。
Ce type de situation révèle la faiblesse des approches classiques. La plupart des solutions du marché ajoutent au modèle une base de mémoire externe qui stocke l'historique des conversations, puis la consulte au besoin. Selon le rapport, face à des informations répétées sur une aussi longue durée, cette recherche externe risque de prendre une conversation anodine pour une décision. MemT 1.0 adopte une autre logique : il divise les capacités du modèle en deux parties, un tronc de réseau qui porte la cognition générale et un état de mémoire dynamique qui évolue au fil des échanges. À la fin de chaque tour de dialogue, le modèle actualise directement ce bloc au niveau du token ; un mécanisme de portes, appris pendant l'entraînement, décide de ce qui est conservé et de ce qui est remplacé, sans réentraîner l'ensemble du modèle. Pour faire tenir davantage de détails dans une mémoire de taille fixe, l'équipe a aussi introduit une architecture Mixture-of-Storage, où plusieurs « experts en mémoire » se répartissent la lecture et l'écriture de l'espace de stockage. Ces capacités sont acquises par l'entraînement : l'équipe a d'abord mené une poursuite de pré-entraînement sur 20 milliards de tokens, puis un post-entraînement sur 14 milliards de tokens, un modèle enseignant d'élite notant l'extraction des souvenirs.
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。
Sur 11 tests de mémoire systémiques, couvrant la rétention à long terme, la mise à jour dynamique et la compréhension personnalisée, avec des historiques allant de 16K jusqu'à un million de tokens, les versions MemT-1.0-Flash et MemT-1.0-Nano obtiennent en mode à livre fermé des moyennes de 50,6 et 47,0, devant les meilleures références de mémoire paramétrique du même groupe, respectivement de 12,5 points et 8,9 points. Le rapport cite deux exemples plus précis : dans un historique d'environ 16 000 tokens, lorsque l'utilisateur demande sa date d'anniversaire, le modèle répond honnêtement qu'il ne la connaît pas, sans l'inventer ; dans une conversation de 33 000 tokens, il s'appuie sur une règle fixée bien plus tôt pour vérifier badges et statut d'inscription, et conclut que l'une des deux personnes respecte la règle tandis que l'autre n'est pas enregistrée. Ces chiffres proviennent tous du rapport technique du développeur ; aucun organisme indépendant n'a encore pu les reproduire.
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。
Le test le plus poussé se déroule dans un contexte de programmation réelle. L'équipe a d'abord extrait plus d'un millier d'expériences de dizaines de milliers de trajectoires réussies, puis a fait réessayer le modèle, aux « points de blocage » (erreurs, réponses vides ou actions répétées sans effet), en injectant ces expériences ; cela a permis de sélectionner environ 42 000 échantillons pour entraîner le module de mémoire. Sur les 500 tâches de SWE-bench Verified, lorsque les expériences ont été écrites à l'avance, le taux de réussite moyen de Nano passe de 66,07 % à 69,33 %, un résultat proche de celui d'un groupe témoin qui place les mêmes expériences directement dans le contexte (68,87 %). En mode pratique, le modèle n'écrit une expérience sur le moment que lorsqu'il tombe sur une erreur ou tourne en rond ; son taux moyen atteint alors 69,73 %, légèrement au-dessus des 69,13 % du groupe qui utilise des expériences sous forme de texte. Sur le test SWE-bench Multilingual, qui couvre neuf langages de programmation, Nano passe de 60,00 % à 63,56 %. Ces comparaisons figurent également dans le rapport du développeur.
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。
Pour les entreprises, le changement le plus concret est que l'expérience d'une équipe n'a plus besoin d'être réexpliquée sans cesse. Le rapport décrit un scénario courant : les règles d'un projet et les méthodes de dépannage doivent être rappelées par les ingénieurs à chaque nouvelle session, si bien que l'entreprise paie en permanence le coût de ces répétitions. Dans la vision de MemT 1.0, les retours réels de l'activité alimentent continuellement la base d'expériences, et le modèle finit par intégrer les normes de l'équipe : les profils expérimentés ont moins de travail de supervision, et l'IA répète moins les mêmes erreurs. Le coût compte tout autant. Dans des conditions de test à deux GPU et sans concurrence, pour un historique de 64K tokens, la vitesse d'inférence de bout en bout de Nano est environ 1,20 fois celle d'une solution à contexte complet, et atteint environ 3,99 fois pour un historique de 256K. Avec un historique de 128K, le stockage d'état persistant pour une interaction représente environ un soixante-sixième du cache KV complet. Le rapport évoque aussi des scénarios de compagnonnage au long cours, comme les doubles numériques, les conseillers de gestion des maladies chroniques ou les coachs personnels, mais il s'agit de pistes : aucun calendrier de déploiement n'est donné.