O laboratório chinês de inteligência artificial MemTensor lançou o MemT-1.0, um par de modelos de linguagem capazes de recordar conversas antigas sem arrastar a transcrição completa em cada pedido. O relatório técnico, intitulado MemT-1.0: Towards Memory-Native Evolution, chegou ao arXiv a 19 de outubro de 2026 com 74 autores, e a empresa oficializou a abertura dos modelos no dia seguinte. O código está no GitHub e os pesos no Hugging Face.
Hoje, a maioria dos assistentes resolve a memória de duas formas: ou continua a acumular mensagens antigas na janela de contexto, o que torna cada chamada mais lenta e cara à medida que o historial cresce, ou recorre a um repositório externo de onde vai buscar excertos. O MemT-1.0 segue um terceiro caminho. Cada modelo transporta um estado de memória de dimensão fixa, atualizado no final de cada turno, pelo que as trocas anteriores podem sair do prompt sem que o seu conteúdo se perca para a rede.
Há duas versões. O MemT-1.0-Nano assenta na base Qwen3.6-35B-A3B, com 36 mil milhões de parâmetros no total, 3 mil milhões ativos por token, 451 milhões de parâmetros de memória treináveis e um estado dinâmico de memória que o README dimensiona em 10M. O MemT-1.0-Flash parte do DeepSeek-V4-Flash e chega aos 288 mil milhões de parâmetros, 17 mil milhões ativos, 3,61 mil milhões dedicados à memória e um estado dinâmico de 336M. Em ambos, um Native Memory Block funciona ao lado da atenção principal: o Local Memory Block guarda uma matriz de vários canais que evolui passo a passo, o Hyper Memory Block fornece projeções aprendidas e portas para apagar, escrever, esquecer e emitir, e as atualizações são feitas token a token com uma variante estabilizada do Gated DeltaNet-2. Uma arquitetura a que a MemTensor chama Mixture-of-Storage reparte essa memória por vários especialistas para aumentar a capacidade.
O treino decorreu em duas fases, pré-treino continuado e pós-treino, com 34 mil milhões de tokens ao todo. Em 11 testes de memória, a MemTensor afirma que o Flash e o Nano ficaram em primeiro e segundo lugar entre os métodos de memória paramétrica avaliados, com médias de 50,6 e 47,0. O próprio repositório admite o limite: os sistemas fortes de memória textual, que recuperam as provas originais, continuam melhores no conjunto, sobretudo em historiais longos onde os pormenores exatos contam.
Os números de eficiência mais vistosos vêm do relatório. Com 128 mil tokens de historial, o Nano é cerca de 1,86 vezes mais rápido de ponta a ponta do que uma referência com contexto completo e precisa de aproximadamente 66 vezes menos armazenamento persistente do que manter a cache KV. Dados divulgados com o lançamento e citados pelo NetEase apontam para um ganho próximo de 3,99 vezes aos 256 mil tokens, com um estado de memória de cerca de 40 MiB por sessão.
A empresa experimentou ainda a ideia em agentes de programação. Em vez de colar no prompt as lições de tentativas anteriores, o sistema grava essa experiência na memória quando o agente fica bloqueado. Segundo a MemTensor, a taxa média de sucesso do Nano no SWE-bench Verified subiu assim de 66,07% para 69,73%, ligeiramente acima de uma variante que recebeu a mesma experiência em texto, e de 60,00% para 63,56% no SWE-bench Multilingual.
As licenças estão divididas. Os pesos do Flash usam a licença MIT e os do Nano a Apache 2.0, enquanto o código do repositório, incluindo a integração com o SGLang para servir os modelos, está sob a PolyForm Noncommercial License, o que obriga a pedir autorização para uso comercial desse software. Todos os resultados de desempenho e eficiência foram divulgados pela própria empresa e nenhum grupo externo os reproduziu até agora.