MemT 1.0 خدام

MemT 1.0 هو أول موديل أساسي أصلي للذاكرة فالصناعة، طوّراتو ذاكرة تانغشوانغ وطلقاتو كامل مفتوح المصدر. MemT 1.0 فيه جوج نسخ: Flash (288B بارامتر و17B مُفعَّل) وNano (36B بارامتر و3B مُفعَّل). كيحوّل المعلومات التاريخية لحالات ذاكرة داخلية قابلة للتحديث المستمر، وكيخلّي الموديل يقرا الذاكرة ويكتب فيها مباشرة أثناء الاستدلال، بلا ما يحتاج لاسترجاع خارجي ولا لإعادة إدخال النص. فـ11 معيار ديال الذاكرة، جا فالمراتب اللولة بين طرق الذاكرة المعلَّمة بالبارامترات، ورفع سرعة الاستدلال حتى لحوالي 4 مرات فالمشاهد اللي فيها تاريخ طويل، ونقص استعمال التخزين حتى لـ1/66، وهادشي كيوفّر أساس معماري للمرافقة الطويلة ديال Agent والتحسين الذاتي التكراري.

تخزين أصلي للذاكرة: كيحوّل المعلومات التاريخية لحالة ذاكرة مستمرة داخل الموديل، وكيخلّيه يستعمل التجارب السابقة بلا ما يتعطى ليه النص الأصلي وقت الاستعلام.
تحديث الذاكرة token ب token: من بعد كل جولة تفاعل، كيتكتب الجديد فالذاكرة أوتوماتيكياً، مع تحكم دقيق فالمسح والكتابة والنسيان.
توسيع سعة الذاكرة: باستعمال آلية التخزين الهجين Mixture-of-Storage، كتتوسع السعة بشكل مستقل عبر خبراء متعددين للذاكرة.
إعادة استعمال التجارب الطويلة: يقدر Agent يعاود يستعمل طرق حل المشاكل السابقة، وأنماط الفشل، ومراحل التحقق، وكتتحسن نسبة النجاح فـSWE-bench بحوالي 3 نقط مئوية.
استمرار الذاكرة بين الجلسات: يمكن تسلسل حالة الذاكرة وحفظها واسترجاعها، وربطها بمستخدم أو مسار مهمة، باش يكون الاستعمال مستمر على المدى الطويل.
استدلال فعّال: فالأسطر التاريخية الطويلة كتطلع السرعة من البداية للنهاية حتى لحوالي 4 مرات، والتخزين الدائم كيمثل غير 1/66 من السياق الكامل، وما كيكبرش مع نمو التاريخ.

تابعونا فـWeChat وردّو بـ“开源” باش تنضمو لمجموعة تبادل مشاريع الذكاء الاصطناعي مفتوحة المصدر
البنية الأصلية للذاكرة: كيتزاد موديل ذاكرة أصلي بشكل متوازٍ فموديولات Transformer مختارة، وكيخلي الانتباه الأصلي وانتباه الذاكرة يخدمو بالتوازي: الإدخال الحالي كيدوز من المسار الأصلي، والمسار الثاني كيسول حالة الذاكرة وكيقرا التاريخ، ومن بعد كتندمج النتيجتان وكيدخلو للحسابات اللاحقة، باش المعلومات المتفاعَل معها تشارك مباشرة فتوليد token الحالي.
بنية ذاكرة من جوج طبقات: الذاكرة مكوّنة من ذاكرة محلية ديناميكية وذاكرة فائقة: الأولى كتحفظ المعلومات التاريخية المضغوطة، وكل مسار تفاعل كيتحافظ عليه بشكل مستقل وكيّتحدّث مع الجلسة؛ والثانية كتوفّر معاملات الإسقاط والبوابة وكتبقى ثابتة من بعد التدريب. بجوجهم كيدعمو تخزين المعلومات واستعمالها.
آلية التحديث Gated DeltaNet-2: كيتستعمل DeltaNet-2 ببوابات لتحديث مصفوفة الذاكرة token ب token من بعد كل جولة تفاعل، وكتتحكم أربع بوابات، هي المسح والكتابة والنسيان والإخراج، على التوالي فتعديل الروابط القديمة، وإدخال المعلومات الجديدة، وقوة الاحتفاظ، وتأثير الذاكرة على الجواب.
التدريب على جوج مراحل: كيتدار تدريب مسبق مستمر باستعمال 20 مليار token باش تتبنى قدرة النمذجة اللغوية المعتمدة على الذاكرة، ومن بعد تدريب لاحق باستعمال 14 مليار token، بصيغة السياق—الاستعلام—الجواب لإجراء تقطير KL. المعلّم يقدر يقرا السياق كامل، والطالب كيتعلم سلوك المعلّم غير انطلاقاً من حالة الذاكرة، وكيتم تحسين معاملات الذاكرة بوحدها.

الحصول على الموديل: حمّلو أوزان موديل MemT-1.0-Flash أو MemT-1.0-Nano من GitHub أو HuggingFace.
نشر الموديل: حمّلو محلياً أو فالسيرفر، وضبطو موارد ذاكرة الفيديو حسب النسخة المختارة.
ربط مسار الذاكرة: أنشئو مسار تفاعل مستقل لكل مستخدم أو مهمة، وخصّصو ليه خانة ذاكرة خاصة، باش تبقى الذكريات معزولة تماماً بين المستخدمين.
كتابة الذاكرة: من بعد كل جولة حوار، كيدير الموديل عملية commit أوتوماتيكياً وكيكتب إدخال وجواب الجولة token ب token فحالة الذاكرة الديناميكية.
قراءة الذاكرة: فالسؤال الموالي، كيقرا الموديل حالة الذاكرة مباشرة أثناء الحساب الأمامي وكيولّد الجواب.
الاستمرار بين الجلسات: حفظو حالة الذاكرة بشكل متسلسل فالتخزين الخارجي، ومن بعد رجّعوها فالجلسة الجاية باش يكمل التجارب اللي تجمعات من قبل.

أداء متقدم فالذاكرة: فـ11 معيار ديال الذاكرة، وصل المتوسط لـ50.6 (Flash) و47.0 (Nano)، واحتل المرتبتين اللولة والثانية بين طرق الذاكرة المعلَّمة بالبارامترات، متقدماً على أقوى خط أساس بـ12.5 نقطة.
استعمال التاريخ بلا النص الأصلي: وقت الاستعلام ما كايناش حاجة لتقديم النص التاريخي الأصلي، حيث الموديل كيقرا المعلومات مباشرة من حالة الذاكرة الداخلية، بلا الاعتماد على استرجاع خارجي.
ذاكرة قابلة للتعلم والتحديث المستمر: بالتدريب كيتعلم الموديل يحتافظ بالذاكرة ويحدّثها ويقراها، وكتتكتب التجارب الجديدة token ب token، بلا حاجة لإعادة ضبط الموديل كامل.
فعالية كبيرة مع التاريخ الطويل: مع تاريخ من 256K token، كتطلع سرعة الاستدلال من البداية للنهاية بحوالي 3.99 مرات، والتخزين الدائم كيمثل غير 1/66 من السياق الكامل، وما كيكبرش مع نمو التاريخ.
القدرات العامة تقريباً بلا خسارة: مع وجود ضجيج ذاكرة غير مرتبط، كتبقى قدرات اتباع التعليمات وتوليد الكود وفهم النصوص الطويلة مساوية تقريباً للموديل الأساسي، بل كتتحسن شوية فبعض الحالات.
استمرار التجارب بين الجلسات: يمكن حفظ حالة الذاكرة واسترجاعها بشكل متسلسل، باش يولي Agent أذكى وأقل تكلفة كلما تستعمل أكثر.
سيادة الذاكرة عند الجهة اللي كتدير النشر: كيمتلك صاحب الموديل التجاري أصول الذاكرة الخاصة به، وكيقدر الموديل مفتوح المصدر يتطور لموديل قوي عندو ذكاء مستقل ديال المؤسسة.

مستودع GitHub: https://github.com/MemTensor/MemT-1.0
مستودع النماذج فـHuggingFace: https://huggingface.co/collections/MemTensor/memt-1
البحث التقني فـarXiv: https://arxiv.org/pdf/2610.26825

مساعد شخصي للمرافقة الطويلة: كيتذكر تفضيلات المستخدم وعاداتو وحواراتو السابقة بين الجلسات، وكيعطي تجربة مرافقة مستمرة كتولي أفهم للمستخدم مع الوقت.
إعادة استعمال تجارب Agent البرمجي: كتتكتب طرق إعادة إنتاج المشاكل، وأنماط الفشل، ومراحل التحقق فالذاكرة، باش توجه المهام الموالية.
خدمة زبناء ذكية للمؤسسات: كيتذكر Agent ديال خدمة الزبناء سجل التواصل السابق وتقدم الخدمة مع كل زبون، بلا ما يعاود يسول نفس الأسئلة، وكتبقى أصول الذاكرة عند الجهة اللي كتدير النشر ماشي عند الشركة المصنّعة للموديل.
التعاون فالمشاريع طويلة المدة: كيتراكم السياق باستمرار فالمشاريع اللي كتدوم أيام أو أسابيع، وما كيبقاش المشروع محتاج يعاود يبدا من الصفر ملي كتسالي نافذة السياق.
البحث العلمي والتحسين الذاتي التكراري (RSI): كيحتافظ الذكاء الاصطناعي بالنتائج المفيدة ديال كل تجربة وخطأ فالذاكرة، وكيستعملها كأساس للتحسين الذاتي وتطوير الكود فالجولة الموالية.