# MemT-1.0: Towards Memory-Native Evolution：中文精读

**作者**：MemTensor Team（Zhiyu Li、Zeyu Zhang、Linyun Liu 等）  
**论文**：[arXiv:2610.26825v2](https://arxiv.org/abs/2610.26825v2)；2026-10-22 获取；[本地原文 PDF](../source/paper.pdf)

## 论文总览

论文研究如何把跨轮记忆做成模型计算的一部分：历史交互结束后写入每条轨迹自己的动态状态，新一轮只带当前输入，模型便可从该状态读取历史信息。MemT-1.0 在冻结的语言模型旁加入并行记忆分支，以逐 token 的稳定 GDN-2 更新状态，并提出 Mixture-of-Storage（MoS）扩容。它用 20B token 的续预训练数据和 14B token 的后训练数据训练记忆参数；后训练让只见记忆状态的学生拟合能看到完整历史的主干教师。（Sec. 2–3，PDF pp. 6–14）

**主结果**：Flash 和 Nano 在 11 个记忆基准的等权平均分分别为 **50.6、47.0**，高于所比较的参数化记忆基线最好值 **38.1**；最强的文本记忆系统仍达到约 **68.6**。Nano 在 BEAM 128K 历史的指定单请求实验中，相对完整上下文的端到端推理约快 **1.86×**，每条轨迹的逻辑持久状态约小 **66×**。用检索到的编码经验指导代理任务时，Nano 在 SWE-bench Verified 的三次运行平均成功率由无经验基线的 **66.07%** 提升至 **69.33%**（执行前存储）或 **69.73%**（执行中触发存储）。（Table 2，PDF p. 20；Sec. 6.5–6.6，PDF pp. 22–24；Table 5，PDF p. 29）

## 结构地图

| 原文章节 | 主要作用 | PDF 页码与关键材料 |
| --- | --- | --- |
| 1 Introduction | 动机、系统与贡献 | p. 5 |
| 2 Model Architecture | 跨轮状态、稳定写入、读取、MoS | pp. 6–10；Figs. 4–5 |
| 3 Training | 主干准备、34B 数据、蒸馏和两阶段训练 | pp. 10–14 |
| 4 System and Infrastructure | 分布式训练、分块算子和有状态服务 | pp. 14–16；Table 1 |
| 5 Memory Scaling Behavior | 后训练进度和记忆专家数的变化 | pp. 16–18；Figs. 6–7 |
| 6 Evaluation | 记忆、通用能力、消融、延迟与状态大小 | pp. 18–25；Tables 2–4，Figs. 8–10 |
| 7 Application in Agentic Tasks | 检索经验写入记忆与编码代理评测 | pp. 25–30；Fig. 11，Table 5 |
| 8–9 Limitations and Discussion / Conclusion | 有限容量与发展方向 | pp. 30–31 |
| Appendices B–G | 实际模型几何、稳定性推导、评测口径、代理细节、窗口实验、案例 | pp. 35–65 |

## 一：动机

完整上下文保存逐字历史，读取细节方便，但每次查询要持续处理增长的 KV 状态；检索系统只送相关片段，却需要维护随历史增长的文本和索引。参数化记忆尝试将历史压入固定大小的状态，主要难题是写入之后还能否准确找回并更新事实。作者在前作 Metis 的“动态局部记忆＋可训练超记忆”框架上，针对写入粒度、数值稳定性、容量与训练目标作了改造。（Sec. 1–2，PDF pp. 5–9）

这里的“记忆原生演化”是方向而不是已经实现的自主持续学习：本论文的在线记忆状态可跨交互变化，超记忆参数仍在部署时固定；编码代理的经验由外部构建和检索。若把存储的经验进一步固化到超记忆参数，需要后续训练。（Sec. 7–8，PDF pp. 25–30）

## 二：方法

### 2.1 两条时间尺度与读写边界

在交互步 $t$，冻结的主干参数 $\theta_b$ 和训练所得的超记忆参数 $\phi$ 是共享的；每条轨迹、每个选中层都有自己的动态矩阵 $M_t^{(l)}$。一条新轨迹从零状态开始。当前轮生成时，原有注意力与记忆注意力并行，输出相加后送往主干的后续计算。**整轮内所有 token 读取进入该轮时的快照 $M_t$；在整轮完成后，写入器按 token 顺序处理 $X_t\Vert Y_t$，提交 $M_{t+1}$。** 因此“逐 token 更新”描述写入器内部的顺序，绝不表示本轮后面的生成 token 会立即看到本轮刚写入的状态。（Sec. 2.1–2.2，Fig. 4，PDF pp. 6–8；Sec. 4.2，PDF p. 15）

![MemT-1.0 原论文架构图](figures/architecture.png)

*原图 Fig. 4，PDF p. 6。* 左边是选中 Transformer 层的并行分支；右上区分每条轨迹变化的局部矩阵与离线训练、在线固定的超记忆参数；右下区分轮末写入和本轮读取。这也是理解训练时梯度可穿过先前写入、在线推理时参数不更新的关键。

单个记忆块的局部状态形状为 $M_t^{(l)}\in\mathbb R^{H_{kv}\times d_k\times d_v}$。其中 $H_{kv}$ 是通道数，$d_k,d_v$ 是键和值宽度。部署状态元素数满足

$$N_{\mathrm{state}}=\sum_{l\in\text{memory layers}} E_lH_{kv,l}d_{k,l}d_{v,l},$$

其中 $E_l=1$ 表示不扩成多个专家。固定结构下，该数**不随同一条轨迹的历史长度增长**，但会随轨迹数增加，当前轮还需要 KV cache 与计算空间。附录 B 的主评测模型均为每层 **1 个**记忆专家：Nano 在 10 个层上各用 16 个 $256\times256$ 状态，共 10,485,760 个 FP32 元素（40 MiB）；Flash 在 20 个层上各用 64 个 $512\times512$ 状态，共 335,544,320 个元素（1,280 MiB）。MoS 的 2/4 专家容量试验属于另一个受控设置，不能将其容量收益直接归于主评测检查点。（Sec. 4.3，PDF p. 16；Appendix B，Table 6，PDF p. 35）

### 2.2 写入：对称化的逐 token Delta 更新

对单层、单通道、轮内第 $i$ 个 token，投影得到 L2 归一化的键 $k_i$ 和值 $v_i$，以及逐维擦除门 $\beta_i$、写入门 $\omega_i$、负的遗忘对数门 $\lambda_i$。把省略的层/轮下标恢复即可对应原文。核心式子可写为

$$
u_i=\sqrt{\beta_i}\odot k_i,\quad z_i=\omega_i\odot v_i,\quad D_i=\operatorname{Diag}(e^{\lambda_i}),
$$

$$
S_i=(I-u_i^\top u_i)D_iS_{i-1}+u_i^\top z_i,\qquad S_0=M_t,\quad M_{t+1}=S_{L_t}.
$$

$S_i$ 是轮内暂存状态，$L_t$ 是本轮 token 数。$D_i$ 沿键维遗忘，$(I-u_i^\top u_i)$ 沿当前写入方向擦除旧关联，$u_i^\top z_i$ 写入新关联；逐 token 顺序处理允许后一个 token 修改前一个 token 建立的关联。（Sec. 2.2，PDF p. 8；Sec. 4.2，PDF p. 15）

**为何要对称化？** 未修正 GDN-2 的擦除矩阵为 $A=I-k^\top(\beta\odot k)$。当 $\beta\odot k$ 不与 $k$ 共线时，它会把某些与 $k$ 正交的输入推向 $k$ 方向，可能使范数增加。原文附录 C 在二维基底下得到对某个正交方向 $e$ 的 $\lVert eA^\top\rVert_2^2=1+\gamma^2$。作者把擦除门的平方根放到两边，得到对称的 $I-u^\top u$；在 $\|u\|_2^2<1$ 时，单步擦除沿 $u$ 收缩、正交方向不扩张。这个推导说明具体的非扩张性质；整个含遗忘门和写入项的递推有界，还需相应范数及输入界条件。（Appendix C，PDF pp. 37–40）

### 2.3 读取：固定快照如何影响生成

对当前隐状态生成查询 $q_i=\operatorname{L2Norm}(\tilde h_i\tilde W_Q)$，读出 $r_i=q_iM_t/\sqrt{d_k}$。读出先做 RMSNorm，再与受限幅 SiLU 作用的输出门相乘，各通道拼接为记忆注意力输出。原文的限幅函数为

$$\operatorname{SoftCapSiLU}(x)=\tau\tanh\!\left(\frac{x\sigma(x)}{\tau}\right),\qquad \tau=2.$$

门控让记忆分支对当前 token 的影响可变化，而不是不加区分地把状态加入主干。Nano/Flash 的具体投影、融合点与初始化不同；两者主干在记忆训练时均冻结，记忆分支的可训练参数分别约 4.51 亿和 36.09 亿。（Sec. 2.2，PDF pp. 8–9；Appendix B，PDF pp. 35–37）

### 2.4 MoS 扩容

Mixture-of-Storage 把一层扩成 $E$ 个独立状态和超记忆参数，并用共享专家地址 $C$ 训练两套密集路由：$\alpha_{\rm s}$ 控制写入、$\alpha_{\rm u}$ 控制读取。写入权重缩放每个专家的擦除门和写入门，**不缩放**对数遗忘门；读取则对全部专家输出加权求和：

$$\alpha_{\rm u}=\operatorname{softmax}_E(\tilde HW_{\rm route/u}C^\top),\quad
\alpha_{\rm s}=\operatorname{softmax}_E(\tilde HW_{\rm route/s}C^\top),\quad
A_{\rm mem,i}=\sum_{e=1}^E\alpha_{{\rm u},i,e}A_{{\rm mem},i,e}.$$

这是**密集**路由，每个专家都计算，增加容量也增加计算和中间激活；它不是只激活少数专家的稀疏 MoE。（Sec. 2.3，Fig. 5，PDF pp. 9–10）

![MoS 原论文结构图](figures/mos.png)

*原图 Fig. 5，PDF p. 9。* 上半部的读取路由混合所有专家，下半部的存储路由调节各专家写入强度；两条路由共享地址但有不同的投影。

### 2.5 训练：把“全文教师”压进跨轮状态

作者先对 Flash 的 DeepSeek-V4-Flash 主干做能力准备：多次探测任务、判断缺失的是可靠执行、程序/规范还是事实，再选择重放、经验证的自身成功轨迹或指导示范。最终混合约 126.5K 条轨迹、2.4B token，准备后主干在所监控六项基准平均提高 6.3 分。此步骤发生在挂载记忆模块**之前**，与后面的记忆训练分开。（Sec. 3.1，PDF pp. 10–11）

记忆训练用总计 **34B token**：20B 续预训练（continued pre-training, CPT）数据让学生仅凭当前片段文本和此前状态做语言建模；14B 后训练数据包含记忆原生语言建模、存取任务及长程记忆任务。后训练时教师见完整历史 $C_{<t}$，学生只见当前轮和状态 $\mathcal M_t$。两者用同一固定响应前缀作 teacher forcing，学生拟合教师在该位置的输出分布；历史和问题位置无直接 token 损失，响应位置有损失，但梯度可反传到先前的状态写入。由于轨迹取自教师而非当前学生的 rollout，作者称之为 **off-policy distillation**。（Sec. 3.2–3.5，PDF pp. 11–14）

后训练对教师 Top-64 词概率重归一化，最小化前向 KL：

$$\ell_{t,k}=T_d^2\sum_{v\in\mathcal K_{t,k}}\hat q_{t,k}(v)\log\frac{\hat q_{t,k}(v)}{p^{T_d}_{t,k}(v)},\qquad T_d=1.$$

$\hat q$ 是只在教师 Top-64 上重归一化的分布，学生 $p$ 仍对**整个词表**归一化，所以把概率放到教师未选词也会受罚。CPT 用交叉熵，后训练以 KL 为目标。评测检查点的训练 pack 最多 64K token，写入步 2K token；Nano/Flash 的全局 batch 分别为 64/192 packs。（Sec. 3.3–3.6，PDF pp. 12–14；Appendix B，Table 7，PDF p. 37）

### 2.6 系统实现的成本

训练 pack 可包含独立轨迹：同一步的文本注意力不跨步，记忆只沿本轨迹传播，并在轨迹边界清零。系统按 decoder 层批量处理完整 pack，把需要顺序性的记忆写入交给分块 WY 计算；本轮读取可批量用同一旧快照。MoS 的完整 pack 专家投影会膨胀激活，因此作者按**完整步**划窗口，并在反传时重算中间量。单 GPU、合成隐状态、单个四专家记忆块、32K-token pack 下，4096-token 窗口的峰值已分配内存从 47.83 降到 9.49 GiB（约减 80.1%），前反向中位时间从 463.0 增至 470.6 ms（约增 1.6%）；这是记忆块微基准，不能解读为整模型训练加速。（Sec. 4.1–4.2，Table 1，PDF pp. 14–16；Appendix F，PDF pp. 60–62）

## 三：实验设计

**记忆任务。** 11 个基准按历史长度分四组，覆盖事实回忆、个性化、操作和长程查询。每条历史先按顺序写入并隔离状态，再在无原历史文本的条件下回答多个问题。Table 2 的 AVG 是 11 项**等权平均分**；不同子基准各有自己的评分定义，例如 PS-Bench 报告 $100(1-\mathrm{ASR})$，方向是越高越好。文本类对照包括完整上下文、DenseRAG、MemOS、Mem0、OpenViking、Graphiti；参数化类包括 Temp-LoRA、Doc-to-LoRA、SHINE、$\delta$-mem、LiveMem、MemoryLLM、ICAE。参数化基线使用的模型规模和机制并不完全相同，因此 Table 2 更适合判断所列系统在同一评测流程中的表现，而非单独归因于某个组件。（Sec. 6.1，PDF pp. 18–20；Appendix D，PDF pp. 40–43）

**通用任务。** 6 项基准覆盖知识、指令、长上下文与代码。作者先将少量无关示例写入 MemT 状态或放入对应主干的文本上下文，再比较同一噪声设置下的 MemT 与其**自身主干**。因此 Table 3 的 MemT 行是相对差值，单位为分，而非绝对成绩。（Sec. 6.1、6.3，PDF pp. 18、20–21；Appendix D.4，PDF pp. 51–52）

**效率。** BEAM 历史、固定 512-token 查询和强制生成 128 token；历史准备一次，预热一次查询，计时五次查询，35 条历史取均值。完整上下文、Temp-LoRA 和 Nano 在各自独占的两张 GPU 上用 HF 推理，单请求、batch 1；$\delta$-mem 用其公开实现。端到端时间包含准备历史与一次响应生成，查询首 token 延迟（TTFT）排除历史准备。状态大小是准备后、查询前的**逻辑每轨迹持久状态**，排除共享权重，不是 GPU 进程峰值内存。（Sec. 6.5–6.6，PDF pp. 22–24）

## 四：结果与解释

### 4.1 记忆能力：参数化类别领先，精确长程召回仍落后

| 方法 | 11 项等权 AVG ↑ | LongMemEval-S ↑ | BEAM-1M ↑ | 来源 |
| --- | ---: | ---: | ---: | --- |
| MemT-1.0-Flash | **50.6** | 37.2 | 37.0 | Table 2，p. 20 |
| MemT-1.0-Nano | **47.0** | 32.6 | 35.8 | Table 2，p. 20 |
| Temp-LoRA（参数化基线最佳 AVG） | 38.1 | 13.4 | 32.3 | Table 2，p. 20 |
| MemOS，DeepSeek 分支（文本记忆） | 68.6 | 83.2 | 72.6 | Table 2，p. 20 |
| 完整上下文，Qwen 分支 | 66.3 | 76.8 | 43.7 | Table 2，p. 20 |

Flash 比 Nano 的等权平均高 3.6 分，论文指出优势主要来自记忆操作等任务；Nano 在 PerMemSafe、Memora 反而更高。最强文本记忆系统在 LongMemEval-S 和 BEAM-1M 的明显优势说明：固定状态能保存**可用**信息，却比保留可检索原文更难持续保有精细证据。尤其要注意，这些是不同系统、部分不同主干的整体比较；不能把 12.5 分差解释成“只改变记忆模块”后的纯因果增益。（Sec. 6.2，Table 2，PDF pp. 19–20）

附录 G 的四个单例展示事实回忆、缺失信息时拒答、链式规则应用和更新追踪。64K 案例中，Nano 在后续又经历约 508 轮对话后，仍区分展览时间的正式变更与后来未采纳的建议；这为“状态可保存某些长期关系”提供直观例子，整体可靠性仍应由 Table 2 的批量评测判断。（Appendix G，PDF pp. 62–65）

### 4.2 通用能力与消融：关键在写入粒度和后训练

| 相对同主干的无关噪声设置 | 六项 AVG 变化（分） | 具体差异 | 来源 |
| --- | ---: | --- | --- |
| Flash | 0.0 | BigCodeBench-Hard +2.0；MMLU-Pro −1.8 | Table 3，p. 21 |
| Nano | −0.9 | IFEval +3.3；LiveCodeBench v6 −5.8 | Table 3，p. 21 |

“总体基本保留”并不表示每项不变：Nano 的 LiveCodeBench v6 下降 5.8 分最突出，而另一个代码基准提高 2.0 分。消融的 11 项平均分：完整 Nano 约 **46.97**；去 CPT **44.9**；去后训练 **36.3**；逐 token 改整轮聚合 **40.98**；未对称化 GDN-2 **46.43**；普通 GDN **46.72**；加入双向编码 **45.43**。由此可判断：在作者给定训练预算下，逐 token 更新和后训练比更新式的这几个局部变体更影响总体成绩；附录 C 的对称化价值主要来自数值机制，Table 4 的小幅均分差本身不足以证明很大能力增益。（Sec. 6.3–6.4，Tables 3–4，PDF pp. 20–22）

### 4.3 扩容与训练进度：受控设置下有收益

同一 Nano 后训练轨迹、重复使用同一语料两轮，平均分从 **36.65** 升至第一轮末 **45.40**、第二轮末 **46.80**；LoCoMo 从 **40.39** 到 **55.39**、**57.53**。增益前期更快，后期仍有波动和小幅提升。另一个实验在 400 步 CPT 后比较 2 与 4 个 MoS 专家，4 专家在 200/3400/5500 步的平均分分别高 **0.41/2.01/2.69** 分。这说明容量收益可能随训练推进显现，但这些曲线不构成跨架构、跨预算的普遍缩放定律。（Sec. 5.3–5.4，Figs. 6–7，PDF pp. 17–18）

### 4.4 延迟与存储：收益出现在较长历史

![BEAM 上原论文端到端延迟与 TTFT 曲线](figures/efficiency.png)

*原图 Fig. 8，PDF p. 23。* 横轴是历史 token 数；左图纵轴为包含历史准备的端到端秒数（对数刻度），右图为**不含历史准备**的查询 TTFT 毫秒数。Nano 在短历史通常较慢，到 32K 左右与完整上下文接近；在 64K、128K、256K 的端到端加速分别约 **1.20×、1.86×、3.99×**。128K/256K 的 TTFT 分别约 **104–112 ms**，完整上下文约 **257/445 ms**；读固定状态使查询首 token 时间随历史增长较平稳。作者指出长历史端到端优势主要来自更低的历史准备成本。（Sec. 6.5，Fig. 8，PDF pp. 22–24）

128K 历史时，Nano 的逻辑每轨迹持久状态比完整上下文小约 **66×**。完整上下文的曲线受 256K 窗口上限约束；短历史时 DenseRAG 的已存文本和向量反而可小于 Nano 的固定分配。相应取舍是固定大小状态的细节承载能力有限，见 Table 2 中长历史问答差距。（Sec. 6.6，Fig. 9，PDF p. 24；Appendix D.5，PDF p. 53）

论文还把 Nano 的 FP32 记忆矩阵在每次写入后做在线 SVD 截断，再重建稠密状态来评估秩与成绩关系。LoCoMo 的成绩通常随秩增加，PersonaMem 较早饱和。图中的“理论因子存储”随秩线性增长，但该实验后续计算仍使用重建的稠密矩阵，不能把曲线当成已实现的低秩部署内存节省。（Sec. 6.7，Fig. 10，PDF p. 25）

### 4.5 编码代理：存的是外部检索出的程序经验

流程是：从成功轨迹归纳 **1,040** 条经验，用 BGE-M3 按任务检索；在任务开始前或检测到执行失败、空观察、重复操作等断点时，将经验写成文本上下文，或通过单独的写入操作压进 Nano 状态。每条任务轨迹最多存储一次。训练数据由失败轨迹在断点加入经验、同状态续跑且通过测试的续写构成；原始轨迹 **18,820** 条、试验断点—经验组合 **199,500** 个，经过筛选得到 **42,403** 个样本。训练时主干冻结，学生仅靠记忆取经验，教师见经验文本；主实验选择 KD 和完整成功后缀监督。（Sec. 7.2–7.3，Fig. 11，PDF pp. 26–28）

![原论文代理任务经验检索、写入与执行流程](figures/application.png)

*原图 Fig. 11，PDF p. 27。* 左侧是检索和选取经验，中间是执行前或触发式写入时机，右侧是文本与记忆两种供给方式。这里的“自演化”证据实际测量的是外部经验能否被记忆模型用来改善后续动作。

| 测试集与写入时机 | 方法 | 平均成功率 ↑ | 三次全成功 $\mathrm{pass}^{3}$ ↑ | 三次至少一次成功 $\mathrm{pass@3}$ ↑ |
| --- | --- | ---: | ---: | ---: |
| Verified，执行前 | 无经验 / 文本经验 / Nano | 66.07 / 68.87 / **69.33** | 54.00 / 61.60 / **61.60** | 77.60 / 76.40 / 77.40 |
| Verified，触发式 | 无经验 / 文本经验 / Nano | 66.07 / 69.13 / **69.73** | 54.00 / 61.80 / **62.80** | 77.60 / 76.80 / **77.80** |
| Multilingual，执行前 | 无经验 / 文本经验 / Nano | 60.00 / **64.22** / 62.89 | 45.33 / **56.33** / 53.67 | **73.67** / 72.67 / 72.00 |
| Multilingual，触发式 | 无经验 / 文本经验 / Nano | 60.00 / 63.00 / **63.56** | 45.33 / 53.67 / **55.33** | **73.67** / 72.67 / 73.00 |

*Table 5，PDF p. 29。* Verified 500 题、Multilingual 300 题；每题独立运行三次。文本经验在 Verified 执行前用 Top-3，其他格用 Top-1，因此对应格不是完全相同数量文本的对照。最稳健的现象是相对无经验基线，Nano 的平均成功率与三次全成功率普遍提高；$\mathrm{pass@3}$ 没有同样一致的增长。Multilingual 执行前文本经验仍优于 Nano，不能概括为所有设置都超越文本经验。（Sec. 7.4，PDF pp. 28–29）

**附录解释上的一个重要问题。** 主文 Sec. 7.3 把应用训练描述为 MemT-1.0-Nano 的超记忆后训练；附录 E.2 的“Trainable Parameters and Memory Operations”却明确写的是 **Metis**：其 token selector、$512\times512$ 状态、104,962,580 个参数与附录 B 的 Nano 配置不同。附录 E.3 也明确另列 Metis 配置和 MemT 对照。因此 E.2 的这些结构数字和部分训练诊断不可直接当作 MemT-1.0-Nano 的实现细节；应用训练的部分具体口径需作者澄清。（Sec. 7.3，PDF p. 28；Appendix B，PDF p. 35；Appendix E.2–E.3，PDF pp. 56–60）

## 五：结论

MemT-1.0 给出了一套明确的跨轮记忆机制：旧状态参与当前轮生成，当前轮结束再逐 token 写入，超记忆参数通过全文教师蒸馏学习如何压缩和利用历史。论文在固定状态大小、长历史成本和参数化记忆平均成绩上给出了积极证据，代理实验表明程序经验也能经由记忆状态影响多步行动。（Secs. 2–7，PDF pp. 6–30）

实际取舍集中在**容量与保真度**：一条轨迹的存储大小固定，长历史细节可能在后续更新中被覆盖；文本记忆系统在精确长程回忆上仍领先。系统收益还取决于历史长度、准备成本、并发和状态复用次数。后续值得检验的是如何选择保留的信息、扩容后能否改善精确召回，以及能否把线上局部记忆持续巩固到共享的超记忆参数；本文没有将这些展望当作已完成结果。（Sec. 8–9，PDF pp. 30–31）