As duas versões estão alinhadas bloco a bloco, pela ordem do texto: título, o essencial e depois parágrafo a parágrafo. Quando a tradução fundiu ou dividiu um parágrafo, a casa correspondente fica vazia — nunca aproximamos duas passagens a olho.
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。
Uma das situações que mais frustram quem usa IA é um momento bem conhecido: passar meia manhã a corrigi-la até a tarefa ficar bem feita, abrir uma nova conversa e vê-la voltar a cair na mesma armadilha. A Memory Tensor acaba de lançar e abrir o código do MemT 1.0, um grande modelo de linguagem de «memória nativa» concebido precisamente para este defeito. O relatório técnico tem um teste que ilustra bem o problema: o utilizador indica primeiro a data original de uma exposição, depois fica decidida a remarcação para domingo, e pelo meio menciona uma proposta de segunda-feira que não foi aceite. A partir daí, as duas partes conversam durante mais de quinhentas rodadas, cerca de 66 000 tokens, e a exposição nunca mais é referida. Em modo de «livro fechado», sem qualquer acesso ao texto original, o modelo continua a indicar corretamente a data original e a remarcada, assinala que o local, o preço dos bilhetes e o contacto não mudaram e distingue claramente a decisão de domingo da alternativa de segunda-feira.
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 cenário é o ponto fraco das soluções tradicionais. A maioria do mercado acrescenta ao modelo uma base de memória externa, guarda os registos de conversa e recupera-os quando são precisos. Segundo o relatório, quando a informação se estende por tantas versões ao longo de um percurso tão longo, a recuperação externa pode facilmente confundir uma conversa de circunstância com uma decisão final. O MemT 1.0 segue outra via: divide a capacidade do modelo em dois blocos, uma rede principal que concentra o conhecimento geral e um estado de memória dinâmico que evolui em tempo real com a interação. No fim de cada rodada, o modelo atualiza diretamente essa memória ao nível do token: o que fica e o que é substituído é decidido por um mecanismo de portas aprendido durante o treino, sem que seja preciso voltar a treinar todo o modelo. Para caber mais pormenores num espaço de memória de tamanho fixo, a equipa introduziu ainda uma arquitetura Mixture-of-Storage, em que vários «especialistas em memória» gerem separadamente a leitura e a escrita do espaço de armazenamento. Estas capacidades são adquiridas por treino: a equipa começou com 20 mil milhões de tokens de pré-treino contínuo e continuou com 14 mil milhões de tokens de pós-treino, em que um modelo «professor» de topo atribui notas à extração de memória.
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。
Nos 11 testes de memória sistemática, que cobrem retenção de longo prazo, atualização dinâmica e compreensão personalizada, com históricos que vão de 16K a um milhão de tokens, as versões MemT-1.0-Flash e MemT-1.0-Nano, respondendo de livro fechado, atingem médias de 50,6 e 47,0, à frente das melhores bases de memória paramétrica do mesmo grupo em 12,5 pontos e 8,9 pontos. O relatório apresenta ainda dois exemplos mais concretos: num histórico de cerca de 16 mil tokens, quando o utilizador pergunta pela própria data de aniversário, o modelo responde com franqueza que não sabe, sem inventar; numa conversa de 33 mil tokens, o modelo verifica o crachá e o estado de registo com base numa regra definida há muito tempo e conclui que uma das duas pessoas cumpre a regra e a outra não está registada. Todos estes números provêm do relatório técnico da própria equipa e, para já, não há resultados de reprodução por instituições independentes.
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。
O teste mais avançado foi feito em programação real. A equipa começou por extrair de dezenas de milhares de trajetos bem-sucedidos mais de mil experiências e depois fez o modelo injetá-las quando encontrava erros, respostas vazias ou operações repetidas sem efeito, voltando a executar a tarefa. Com isso filtrou cerca de 42 000 exemplos para treinar o módulo de memória. No conjunto de 500 tarefas do SWE-bench Verified, com a experiência escrita antecipadamente, a taxa média de sucesso do Nano subiu de 66,07% para 69,33%, valor próximo do grupo de controlo que recebia a mesma experiência diretamente no contexto (68,87%). No modo de prática real, em que o modelo só escreve experiência quando há erro ou quando anda às voltas, a taxa média atinge 69,73%, ligeiramente acima dos 69,13% do grupo com experiência em texto. No SWE-bench Multilingual, que abrange nove linguagens de programação, o Nano passou de 60,00% para 63,56%. Estas comparações também provêm do relatório da própria equipa.
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 as empresas, a mudança mais direta é que a experiência da equipa deixa de ter de ser ensinada várias vezes. O relatório descreve o cenário: normas do projeto e métodos de resolução de erros têm de ser explicados de novo a cada nova sessão, o que significa que a empresa está a pagar continuamente um custo repetido. Na visão do MemT 1.0, o feedback real do negócio atualiza continuamente a base de experiência, e o modelo vai interiorizando as normas da equipa: os profissionais experientes preocupam-se menos e a IA tropeça menos em armadilhas já conhecidas. A conta dos custos também é relevante: em condições de teste com duas GPU e uma única concorrência, ao processar históricos de 64K tokens, a velocidade de inferência ponta a ponta do Nano é cerca de 1,20 vezes superior à de uma solução com contexto completo; com um histórico de 256K, sobe para cerca de 3,99 vezes. Com um histórico de 128K, o armazenamento persistente de estado de cada interação equivale a cerca de um sessenta e seis avos da cache KV completa. O relatório apresenta ainda cenários de companhia de longo prazo, como gémeos digitais, consultores de gestão de doenças crónicas e personal trainers personalizados, mas estes continuam a ser visões e o texto não apresenta qualquer calendário de implementação.