cherry 记忆张量发布并开源了记忆原生大模型MemT 1.0。它与常见外挂检索方案的区别在于，记忆不再作为外部模块调用，而是被纳入底层架构，并通过训练让模型学习读写、更新和调用记忆，使经验积累成为模型能力的一部分。
架构上，MemT 1.0将模型能力分为主干网络和动态记忆状态。主干网络承担通用认知，动态记忆状态在不同用户或任务之间彼此独立，并在持续交互中吸收新信息，直接参与后续每一轮生成计算。每轮对话结束时，模型通过token级更新机制刷新记忆状态，哪些保留、哪些修改由训练得到的门控机制决定。后续对话和任务中，并行记忆注意力机制会提取这些状态，参与当前计算并引导下一步决策。
训练使用了340亿token数据，分两步进行：先用200亿token做继续预训练，让模型尝试用过去片段预测未来；再用140亿token做后训练，由教师模型对记忆提取打分。记忆状态采用固定体积，持续交互只更新已有矩阵。Mixture-of-Storage架构中，基座MoE负责计算，多位记忆专家分担存储空间的读写分配。
在11项系统记忆基准测试中，测试覆盖长期保留、动态更新、个性化理解等维度，历史跨度从16K直至百万token。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。消融实验显示，拿掉后训练后Nano均分从47.0降至36.3；MoS记忆专家从2个增至4个，均分最高提升2.7分。测试还显示，在约16K token的历史中，用户未提供生日时模型回答不知道；在五百多轮、约6.6万token的展览改期对话后，模型仍能区分周日定论与周一备选，并指出场地、票价和联系人未变。
