MemTensor 团队发布的“记忆基础模型”：在骨干注意力旁加一个原生记忆模块，把历史对话写进固定大小的记忆状态，推理时不用再带原始上下文。
星数 432（+9 / 24h）
理由
- 两个版本：Nano 基于 Qwen3.6-35B-A3B（总参数 36B、激活 3B），Flash 基于 DeepSeek-V4-Flash（总参数 288B、激活 17B），权重在抱脸 MemTensor 组织下
- 官方称在 128K 历史长度下，持久状态比完整 KV cache 省约 66 倍存储；在 11 个记忆基准上，两款模型在参数化记忆方法里排第一、第二
- 官方也写明：在需要细节证据检索的长历史上，文本记忆系统整体仍然领先
- 附带“经验引导的编码代理”示例：检索到的经验存进原生记忆，不占任务上下文；技术报告见 arXiv 2610.26825
用法
- 在有 NVIDIA CUDA 的 Linux 服务器上进入 inference 目录，uv pip install '.[server]'；客户端环境装 '.[client]'
- sh start_memt_nano.sh /models/MemT-1.0-Nano 启动服务（示例用两张 GPU），再用 memt_sglang 的 MemTSession 对话，enable_memory=True 时把对话写入记忆
风险
- 代码是 PolyForm Noncommercial 1.0.0、论文材料是 CC BY-NC-SA 4.0，均不可商用
- 需要多卡 GPU 和完整的 BF16 权重；README 里的对话示例回复是示意，不是运行记录
- 24 小时新增星数很少，关注度还低