历史信息会被编码为持续存在、可更新的内部记忆状态，记忆写入、保持、更新、读取全纳入模型计算过程。
在内部记忆基础上，通过真实任务中交互、指导和纠错反馈积累经验。
直接收益就是让模型具备自我反思、自我进化能力，让长程任务保持一致、不跑偏。
这对AI Coding 能力提升很有用啊。
如果模型能长期记住项目约束、历史决策、纠错经验，这些经验后面能复用，就减少了返工。
每次对话重复背景，不必从零开始，越用越懂你，越用越靠谱。
最近 MemOS 团队发布的 MemT 1.0，有36B Nano / 293B Flash 两个版本。
论文看到写入经验的 Nano，比不带经验的 Qwen 底座，“三次成功率” 从 54.0% 到 61.6%，提高 7.6 个百分点。
从官方内测数据看，Coding、Working 都取得超过 5% 的性能提升，牛逼！
论文提到，Nano 单条轨迹记忆状态是 40 Mb，历史变长，体积也不变。
这对做 Personal Agent 个人助理来说，相当有吸引力。
过去模型提升靠更多参数、更多数据、更长上下文堆能力。
现在 MemT 1.0 有可能开辟一个新路径，通过记忆原生构架，把历史经验变为能力。
这个技术感觉对实现 RSI 都很有价值，毕竟没有积累，就没有递归。
源码见 Hugging Face： https://huggingface.co/collections/MemTensor/memt-10
论文和代码：https://github.com/MemTensor/MemT-1.0