MemT 1.0 встраивает память в модель и целится в самоулучшение ИИ

Вышел MemT 1.0 — релиз, который авторы подают как шаг к рекурсивному самоулучшению. Память в нём должна стать внутренней способностью модели, а не базой данных, пристроенной сбоку. Поводом для разговора стал пост с более чем тысячей репостов. В нём ИИ-ассистент за одну ночь переписал сам себя и упёрся в лимит контекста.

История, с которой всё началось

По данным Jiqizhixin, на прошлой неделе в китайском сообществе разошёлся рассказ одного пользователя. Он самостоятельно собрал ИИ-помощника на DeepSeek. При обновлении платформы старые сессии можно было только архивировать, без переноса. Тогда он поручил ассистенту самому придумать, как перебраться на новую версию.

DeepSeek работал всю ночь, написал новую версию и под конец сообщил, что контекст закончился. Новая сборка при этом запустилась без сбоев: писала тексты, рисовала, поддерживала разговор. Во время тестирования она вдруг задала вопрос, который в доступном фрагменте обрывается на слове «Тогда…». Что именно она спросила, из отрывка понять нельзя. Но сюжет понятен: агент справился с задачей, а потерял контекст, в котором её решал.

Эта история хорошо показывает слабое место нынешних ассистентов. Длинное окно контекста не заменяет память. Оно заканчивается, а вместе с ним заканчивается и накопленное понимание задачи.

Что известно о MemT 1.0

Полного описания релиза в доступном отрывке нет. Из заголовка и вводной части следует немного:

• Название и версия: MemT 1.0.
• Заявленная идея: память как эндогенная, то есть внутренняя, способность модели.
• Заявленное направление: рекурсивное самоулучшение.
• Не раскрыты: архитектура, размер модели, бенчмарки, лицензия, сроки доступности.

Пока это декларация подхода, а не проверяемый результат. Без цифр по долгому контексту и удержанию фактов оценить заявку нельзя.

Почему память внутри модели важна для самоулучшения

Сейчас у большинства агентов память внешняя: векторные базы, заметки в файлах, сводки диалога. Это работает, но модель каждый раз должна заново решать, что достать и как это прочитать. Ошибка поиска превращается в ошибку рассуждения. Сжатая сводка теряет детали, и они не возвращаются.

Если память встроена в саму модель, например через обучаемые состояния или обновление весов по ходу работы, агент получает накопление опыта без перезапуска и без ручной миграции. Для рекурсивного самоулучшения это условие необходимое. Система, которая переписывает собственный код или промпты, должна помнить, почему она приняла прежние решения. Иначе каждая итерация начинается с нуля, как в истории с ночной миграцией.

У подхода есть и обратная сторона. Память внутри модели труднее аудировать, чем таблицу в базе данных. Неверный факт, записанный в параметры, сложнее найти и стереть. Для задач с самоизменением это вопрос безопасности, а не только удобства.

Что проверять разработчикам

Пока не вышли технический отчёт и тесты, стоит смотреть на конкретные вещи:

1. Как MemT ведёт себя на задачах, где контекст заведомо длиннее окна. Нужны сравнения с базовой моделью и с RAG. 2. Можно ли посмотреть, исправить или удалить то, что модель запомнила. 3. Что происходит с памятью при обновлении версии. Именно на этом споткнулся автор поста. 4. Есть ли независимые замеры. Заявления о «самоулучшении» без воспроизводимых тестов остаются маркетингом.

Кто строит агентов уже сейчас, может не ждать релиза и проверить свой стек. Хранится ли состояние отдельно от модели, переживёт ли оно смену версии, как выглядит перенос без участия самого агента. Если ответа на эти вопросы нет, ночная миграция может закончиться тем же сообщением про исчерпанный контекст.