Le due versioni sono allineate blocco per blocco, nell’ordine del testo: titolo, l’essenziale, poi paragrafo per paragrafo. Quando la traduzione ha fuso o diviso un paragrafo, la casella corrispondente resta vuota — non accostiamo mai due passaggi a occhio.
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。
Con l'IA, una delle situazioni più esasperanti è anche la più familiare: passi mezza giornata a correggerla finché il compito non è fatto bene, poi apri una nuova sessione e lei ricade subito nello stesso errore. Memory Tensor ha appena presentato e rilasciato in open source MemT 1.0, un modello «a memoria nativa» pensato proprio per questo difetto. Il rapporto tecnico contiene un test che illustra bene il problema: l'utente comunica l'orario originale di una mostra, poi fissa lo spostamento a domenica, e nel frattempo accenna di sfuggita a un'ipotesi di lunedì non accolta. Dopo questo scambio, le parti hanno parlato per oltre cinquecento turni, circa 66.000 token, senza più nominare la mostra. In modalità «libro chiuso», cioè senza accesso al testo originale, il modello riporta comunque l'orario originale e quello nuovo, segnala che sede, prezzo del biglietto e referente sono rimasti invariati e distingue con chiarezza la decisione di domenica dall'alternativa di lunedì.
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。
Questo tipo di scenario è proprio il punto debole delle soluzioni tradizionali. La maggior parte del mercato affianca al modello una memoria esterna, che archivia le conversazioni e le recupera quando serve. Secondo il rapporto, di fronte a informazioni multiversione su un arco così lungo, il recupero esterno rischia di scambiare una chiacchiera per una decisione definitiva. MemT 1.0 segue una strada diversa: divide la capacità del modello in due parti, una dorsale che porta la conoscenza generale e uno stato di memoria dinamica che evolve in tempo reale con l'interazione. Al termine di ogni turno, il modello aggiorna direttamente questa memoria a livello di token; cosa conservare e cosa sovrascrivere è deciso da un meccanismo di gating appreso in addestramento, senza riaddestrare l'intero modello. Per far stare più dettagli in una memoria di dimensione fissa, il team ha introdotto l'architettura Mixture-of-Storage, in cui diversi «esperti di memoria» gestiscono in parallelo la lettura e la scrittura dello spazio di archiviazione. Queste capacità si acquisiscono con l'allenamento: il team ha prima eseguito un pre-addestramento continuo con 20 miliardi di token, poi un post-addestramento con 14 miliardi di token, in cui un modello insegnante «secchione» assegna i punteggi all'estrazione dei ricordi.
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。
Nei 11 test di memoria sistematici, le versioni MemT-1.0-Flash e MemT-1.0-Nano, entrambe a libro chiuso, ottengono una media rispettivamente di 50,6 e 47,0, superando di 12,5 punti e 8,9 punti i migliori baseline di memoria parametrica dello stesso gruppo. Il rapporto riporta anche due esempi più specifici: con una cronologia di circa 16.000 token, un utente chiede la propria data di nascita e il modello risponde onestamente di non saperlo, senza inventare; in una conversazione di 33.000 token, il modello si attiene a una regola stabilita molto prima, controlla badge e stato di registrazione, e stabilisce che uno dei due è in regola mentre l'altro non risulta registrato. Tutte queste cifre provengono dal rapporto tecnico dello sviluppatore e non sono ancora state replicate da un ente indipendente.
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。
Un test ancora più concreto riguarda la programmazione reale. Il team ha prima estratto oltre mille esperienze da decine di migliaia di tracce riuscite, poi ha fatto rieseguire al modello i «punti di blocco», cioè errori, risposte vuote o operazioni ripetute inutilmente, iniettando le esperienze; su questa base ha selezionato circa 42.000 campioni per addestrare il modulo di memoria. Sui 500 compiti di SWE-bench Verified, con le esperienze caricate in anticipo, la percentuale media di successo di Nano sale da 66,07% a 69,33%, un risultato in linea con il gruppo di controllo che riceve le stesse esperienze direttamente nel contesto (68,87%). In modalità reale, il modello scrive l'esperienza solo quando incontra un errore o gira a vuoto, e raggiunge una media del 69,73%, leggermente superiore al 69,13% del gruppo con esperienze in forma testuale. Nel test SWE-bench Multilingual, che copre nove linguaggi di programmazione, Nano passa dal 60,00% al 63,56%. Anche questi confronti provengono dal rapporto dello sviluppatore.
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。
Per le aziende, il cambiamento più immediato è che l'esperienza del team non deve più essere rispiegata di continuo. Il rapporto descrive uno scenario comune: norme di progetto e trucchi per la risoluzione dei problemi che l'ingegnere deve ripetere a ogni nuova sessione, e che quindi l'azienda paga di continuo come costo ricorrente. Nell'idea di MemT 1.0, il feedback reale dell'attività aggiorna costantemente la base di esperienze, il modello interiorizza gradualmente le norme del team, i veterani si preoccupano meno e l'IA ripete meno gli errori già noti. Anche il conto dei costi conta: in un test su due GPU con una sola richiesta alla volta, con una cronologia di 64K token, la velocità di inferenza end-to-end di Nano è circa 1,20 volte quella di un metodo con contesto completo; con una cronologia di 256K sale a circa 3,99 volte. Con una cronologia di 128K, lo stato persistente di una singola interazione occupa circa un sessantaseiesimo della cache KV completa. Il rapporto elenca anche scenari di accompagnamento a lungo termine, come cloni digitali, consulenti per la gestione delle malattie croniche e personal trainer personalizzati, ma restano ipotesi: il testo non indica alcuna tempistica di realizzazione.