RSI三块关键拼图，MemT 1.0从模型层补上「记忆」

鹭羽 发自 凹非寺

量子位 | 公众号 QbitAI

AI圈，最近集体盯上了三个字母：RSI。

Hinton的RSI论文，22位署名作者里，坐着Bengio、OpenAI首席科学家Pachocki、Anthropic联创Jack Clark……几乎AI的半壁江山都在这儿。

大家在将目光投向AI自我改进的同时，一个更值得追问的基础问题浮出水面：

一次改进，如何成为下一次的起点？

有效的方法需要被保留，走过的弯路也需要被识别，承接这件事的，其实是记忆。

常规的思路很简单：给AI直接外接一个经验库，操作方法、历史教训就能通通被保存检索。

记忆张量在这方面的探索，则给出了一份截然不同的答卷——记忆原生。

何为记忆原生？就是将经验的保留、更新和调用，做成模型可以学习的能力。

当记忆在模型中生根发芽，便构成了记忆原生模型。

其最新开源发布的MemT 1.0系列，就给出了一条颇为具体的路径：

它把经验编码成内部动态状态，再通过训练学习怎样写入、更新和读取，最后让这些状态经由记忆分支参与后续计算。

与外部记忆相比，它不仅能力没打折，未来拓展的天花板也会更高。

这也是记忆原生模型首次实现近300B参数规模的工程验证。

（论文地址指路：
https://arxiv.org/abs/2610.26825）

好家伙，记忆看不见摸不着，但却实打实成为模型成长的立足根本。

从早期要求模型记住信息，到用好经验，模型对记忆的要求不断升级，也让记忆一步步从幕后走到台前。

把记忆放进模型

MemT 1.0这次直接甩出两个型号：

MemT-1.0-Nano总计36B参数、激活3B，基座用的是“源神”Qwen3.6-35B-A3B；MemT-1.0-Flash则向上突破，高达288B参数、激活17B，基座是经过进一步后训练的DeepSeek-V4-Flash。

它们共同的变化，即都是在选定的Transformer模块里增加了一条与原有注意力并行的记忆计算通路。

咱们举个简单的例子说明。

比如同样面对一个新任务，外部记忆的做法是把记忆原文、检索证据乃至抽象方法塞回上下文，让模型复用经验。

其中检索与整理过程，同样可以引入学习机制。

而MemT 1.0这类记忆原生模型，选择继续深入模型内部：

经验经过编码，成为可更新的矩阵状态；模型生成答案或动作时，通过专门的记忆分支读取状态，读出结果再与原有注意力输出融合，影响后续生成。

区别落在了经验如何表示，以及它通过什么计算过程发挥作用。

但这样做的好处也很明显，让读写参与训练能够换来更顺畅的方法复用，不过代价也有，如果想要精确删除、解释与恢复，就需要额外机制的加入。

外部文本肯定更方便检查和溯源，二者目前来看各有各的优劣。

要说真能看出差别，还得是在用了经验之后，观察模型跑起来如何。

先看一个码农熟悉的场景：改代码。

接Bug→定位代码→动手修改，基本都是这么个流程。但要是一开始问题没复现、边界条件也没确认好，修改不成反倒漏洞百出，一代传一代。

拿SWE-bench Verified为例，里面有一项涉及Django的parse_http_date函数，需要修复两位数年份的解析逻辑。

研究团队比较了无经验、文本经验和记忆原生三种设置下的执行轨迹。

没有经验时，Agent找到Bug后，很快开始修改解析逻辑，后续步骤中才出现定向复现与验证。有经验的两组，则都先构建复现测试，再修改代码。

其中，MemT-1.0-Nano还在初次修改后重新检查了一项边界条件，修正实现，并做了额外验证。

可以明显看出，经验改变了行动顺序，也参与了任务内的检查与修正。

放到更大样本上对比，在500项SWE-bench Verified任务，每项独立运行三次中，MemT-1.0-Nano在关键断点的平均成功率为69.73％，无经验基线为66.07％，文本经验组为69.13％。

三次全部成功的任务比例，则从无经验时的54.00％提高到62.80％，文本经验组为61.80％。

再看SWE-bench Multilingual任务中，同一触发设置下，原生记忆组平均成功率为63.56％，无经验组为60.00％，文本经验组为63.00％。

换句话说，这些程序性经验能通过记忆原生得以保留，表现和显式文本经验接近，优势更多体现在平均成功率和重复执行的可靠性上。

再直观一点，来看一段像素风的迷宫探索演示。

同一个迷宫，同样的移动速度，左边是没有记忆原生的Agent，右边是具备记忆原生的MemT 1.0。

第一轮，两边都需要探索未知路线，也都会走进死胡同。

区别出现在这一轮结束之后：成功路线和需要避开的岔路被整理归档，并加载到MemT 1.0的记忆中，为下一轮探索提供参考。

到了第二轮，同样从起点出发，左边仍会在岔路上重复试探，右边则借助上一轮经验，避开已经走过的死胡同，沿有效路线抵达终点。

上一轮走出来的路，开始直接影响下一轮怎么走，这就是记忆原生值得做的具体体现。

再来一个更接近我们日常办公的信息更新场景。

展览原定周六下午3点，后来正式改到周日下午4点。之后又有人建议改到周一，但还没确定拍板。

这种反复变化的信息增量，其实对AI来说很头痛。

要记住最后出现的日期还不够，它还得分清正式决定和随口建议，以及保留那些没变的内容。

实验在经过多轮对话后，MemT-1.0-Nano仍然成功get，回答出了原定时间、正式修改后的时间，并确认其他安排没有变化。

放进11项记忆基准的综合评估中，Flash和Nano的表现也同样突出。

平均得分分别为50.6和47.0，位列参与评估的参数化记忆方法前两名，相比其它模型断崖式领先。

不过坦白来说，文本记忆系统整体仍有优势，尤其是在长历史的细节召回上。

MemT 1.0今天交出的，还只是记忆原生新思路的初步计算实现，但实际效果已经能和文本记忆比肩，再继续发展下去，潜力亦是无限。

记忆原生，原生在哪里？

那么问题来了，经验没有留在任务上下文里，模型又是从哪里把它用上的？

这恰是MemT 1.0的架构重点。

MemT 1.0提供的原生路径，是先将相关经验编码为内部动态状态。生成后续动作时，当前查询通过专门的记忆分支读取该状态，再将结果与原有注意力输出融合。

在具体参数化实现中，MemT 1.0保留基座的原有计算流程，在选定的Transformer模块中加入原生记忆分支，拆开看包括三层：

• 主干权重：承载模型已有的通用能力，并在训练记忆时保持冻结；
• 超记忆：读写投影、门控这类可训练参数决定具体怎样编码、更新和读取记忆；
• 局部记忆：动态矩阵状态保存交互中新加入的信息。

这样区分后，模型不仅能带上新的经历，也不必每次都去微调整个主干，只有对应任务轨迹的动态状态发生变化。

这套机制的读写也很有讲究。

写入时，隐状态经过投影，生成记忆的键值；擦除、写入和遗忘门控，共同调节已有矩阵中的关联；读取时，当前输入被映射为记忆查询，读出相关信息，再经归一化和输出门控参与后续生成。

更新机制采用的是基于Gated DeltaNet-2的逐Token生成，并做了稳定化处理。

（小道消息：Gated DeltaNet-2的作者也参与了相关讨论）

它会在每一轮结束后触发，靠门控调整已有记忆关联，轮内则仍按Token顺序调整状态。

消融实验证明了这一点，将逐Token更新换成整轮聚合后，Nano的记忆基准平均分从约47.0降到了41.0。

六分的差距，足以说明连续的Token级更新能更好地处理记忆衰减，并及时修正轮内关联。

但当记忆的内容不断扩充，模型容量不够了怎么办？

这时MemT 1.0又依托MoE，提出了MoS（Mixture-of-Storage）解决方案。

MoS将一个记忆原生模块扩展为多个记忆专家，再分别学习存储与使用路由。其采用的是稠密融合，所有记忆专家都参与计算，路由权重决定各自贡献。

这就与基座MoE的稀疏专家路由明显不同了。

不过，结构还只是起点。

为了让模型真正学会使用这条通路，团队构建了340亿Token的记忆训练语料，其中包含继续预训练200亿，后训练140亿。

继续预训练的格式都是统一的，先把长文本切成连续片段写进记忆，再让模型拿着记忆状态去回答查询。

每处理完一个片段，模型再更新状态，供下一段使用。

后训练进一步对齐任务结果，数据也包含三类：记忆原生的语言建模数据、记忆存储与利用数据（比如摘要、续写、压缩等），以及专门强化长程记忆的任务数据。

这里也有一点值得单独拎出来讲，此前冻结的主干会充当教师模型，看到完整的历史信息，MemT 1.0作为学生，只能看到自己的记忆状态，再沿着off-policy蒸馏让学生去对齐教师的分布。

综合下来，记忆原生的重点逐渐清晰，把历史编码成状态还只是第一步，接着怎样保留、更新和读取才构成记忆原生模型的全部。

这条路线的价值，还需要结合经验复用效果、资源开销和长期运行条件来综合判断。

从持续学习到RSI，记忆打开能力增长空间

那么又有朋友可能要问了，为什么要用记忆原生？

现有的外部记忆方案已经很成熟了，也有不错的实践案例，相比之下，记忆原生才刚起步，效果也大差不差。

非也！记忆原生也有个独到之处：

它让经验的表示与读写本身，开始成为模型能力扩展的对象，也就是MemT团队讨论的Memory Scaling，即从推理增长之外，找到模型性能增长的第三条曲线。

原来的经验有没有用，可以看检索后能否改善任务结果；到了MemT 1.0这里，还可以进一步追问：同样的经历，换一种内部表示、更新规则和读取方式，能不能用得更好？

这让提升记忆效果多了一组可以通过训练和架构设计调整的变量。

诚然，这还远不能证明原生记忆的长期上限高于外部记忆，但至少围绕内部状态的训练与容量扩展，可以带来进一步的能力收益。

下一步是验证这些收益能否跨出当前训练分布，在更长交互和新任务中保持。

回到开头的RSI。

一旦打通了记忆原生，对持续学习和RSI的突破也是大有裨益。

众所周知，RSI有三块拼图，包括记忆、反馈、验证与更新机制，其中记忆让有效结果能够延续，后两者帮助判断哪些改变值得进入下一轮。

MemT 1.0如今探索的，正是经验承接与复用这一步，它验证了经验能通过原生记忆指导行动，从模型层面补上了第一块，当然也是最重要的一块。

如果再往前走，也许局部记忆中积累的经验，就能通过后续训练沉淀到超记忆参数，再反过来改善模型管理记忆的方法。

一旦这个环节成立，通过记录下来的结果和方法，系统或许可以实现跨任务的智能爆炸，也就是RSI的终极目标。

这些还只是理论层面的收益，在应用侧，记忆原生也更有利于企业完成经验积累。

当前行业一说到企业AI，考虑最多的还是早期部署阶段的内容，比如当前模型好不好用、能做到哪一步。

这固然没毛病，但企业用起来后，才知道经验积累也很重要。

因为企业长期使用还涉及项目规则、操作顺序和验证方法。如果每换一项任务，都得重新交代同类约束、重复经历同类失败，前一次投入就很难充分转化为后续收益。

所以对于这类重复的工作流，经过验证的经验能复用多少次，应该和模型单次表现一起进入企业AI选型标准。

记忆原生为此提供了模型侧的承载机制。

在同样的128K长历史下，Nano的端到端推理速度约为完整上下文方案的1.86倍，相同历史长度中，每条轨迹的持久状态占用是完整上下文KV Cache的六十六分之一。

翻译一下，这就是立竿见影的成本控制效果。

长期会话的状态预算更容易被估算，多个查询还可以复用已构建的状态，分摊准备开销。

不过这里也要说句公道话，并不是记忆原生的任务质量一定优于外部记忆，但在近似质量的情形里，它更有可能通过底层的经验复用稳步减少返工，这部分收益对企业运维来说却是实实在在的。

换言之，记忆原生和外部记忆并不是非此即彼的敌对关系，二者协作分工，或许能产生更大的额外收益。

对精确原文、来源或版本的查询，外部记录仍有价值；针对后续执行的经验调用，可以继续检验原生机制的作用。

但无论如何，当有效进步能够留下，并在新任务中反复经受验证，持续自我改进才有了可以积累的起点。

通过完整的分层记忆管理和调度，即可实现全局的读写效率最优，而今天，记忆原生模型的发布，已让这种工程化部署和实现成为了可能。

记忆在推动持续自我改进方面的价值，也将在这样的长期验证中逐渐显现。

GitHub链接：
https://github.com/MemTensor/MemT-1.0
HuggingFace链接：
https://huggingface.co/collections/MemTensor/memt-1