# MemT-1.0

> Модели, которые сохраняют историю между диалогами

MemT-1.0 — семейство моделей с постоянной памятью для хранения и использования истории при инференсе и повторного применения опыта в программировании.

- Что делает: сохраняет историю в памяти
- Категории: Opensource, Инструменты разработчика, Память
- Сайт сервиса: https://github.com/MemTensor/MemT-1.0
- Карточка в каталоге: https://ailibri.com/memt-1-0
- Обновлено: 2026-10-22

## Описание

MemT-1.0 — семейство базовых моделей с постоянной памятью: она сохраняет историю взаимодействий и использует её при инференсе, не обращаясь к исходному контексту. Проект рассчитан на пользователей и разработчиков, которым нужно, чтобы модель учитывала прошлые взаимодействия, а также на сценарии агентного программирования с повторным использованием опыта.

- Сохраняет историю во внутренней памяти постоянного размера.

- При истории длиной 128K памяти требуется примерно в 66 раз меньше, чем полному KV-кэшу контекста.

- Объединяет динамическую локальную память и обучаемую гиперпамять.

- Предусматривает масштабирование ёмкости памяти с помощью Mixture-of-Storage.

- Позволяет сохранять состояние в снимок и использовать его при восстановлении сессии.

- Поддерживает сценарий повторного использования процедурного опыта в долгосрочных задачах программирования.

Для работы предусмотрена клиентская Python-сессия. Если включить enable_memory=True, ходы сохраняются в латентную локальную память, а их текстовый контекст очищается; чтение памяти включено по умолчанию. При отключённой записи ходы остаются в текстовой расшифровке, а чтение можно выключить отдельно.
В проект входят подготовка базовой модели, двухэтапное обучение на 34 млрд токенов и оценка памяти и общих возможностей. В оценке по 11 бенчмаркам MemT-1.0-Flash и MemT-1.0-Nano заняли первое и второе места среди проверенных методов параметрической памяти; это результаты конкретных тестов, а не гарантия для отдельной задачи.
Для серверного запуска нужны Linux, NVIDIA CUDA, Python 3.11 или новее, совместимые локальные веса BF16, конфигурация и файлы токенизатора; пример запуска Nano использует два GPU. Быстрый запуск через SGLang описан для Nano, а Flash настраивается отдельно по руководству по инференсу. Лицензия PolyForm Noncommercial License 1.0.0 запрещает коммерческое использование программного обеспечения репозитория; лицензии весов, наборов данных, бенчмарков и других материалов определяются отдельно. По вопросам коммерческого лицензирования ПО репозитория предлагают обращаться к авторам.

## Похожие сервисы в каталоге

- [Memora](https://ailibri.com/memora): Memora — MCP-слой памяти для ИИ-агентов: общее хранилище с дедупликацией, историей замещений, семантическим поиском и графовым интерфейсом.
- [Memorix](https://ailibri.com/memorix): Memorix — открытый слой памяти для AI-агентов через MCP. Работает с Claude Code, Cursor, Windsurf, Gemini CLI, Copilot и другими агентами кодирования.
- [Basic Memory](https://ailibri.com/basic-memory): Basic Memory — сервис памяти для AI: сохраняет контекст диалогов, чтобы не объяснять проект заново. Открытый исходный код на GitHub, поддержка Discord.
- [Autograph](https://ailibri.com/autograph): Типизированный слой памяти для AI-агентов с поддержкой Obsidian: автоматическая схема данных, движок забывания, оценка здоровья заметок, восстановление ссылок.
- [MemPalace](https://ailibri.com/mempalace): Открытая система памяти для AI с локальным хранением истории разговоров, семантическим поиском и точностью 96.6% R@5 на LongMemEval без API-вызовов
- [MemDB](https://ailibri.com/memdb): Self-hosted память для AI-агентов на Go: гибридный поиск, дедупликация, GDPR-удаление. 72.5% LoCoMo. Три способа интеграции с Claude. Apache-2.0

---
Источник: AILibri — каталог нейросетей и ИИ-инструментов, https://ailibri.com