广东
10 月 20 日，记忆张量发布并开源了 MemT 1.0。
先说它解决了什么问题：
你跟一个 AI 聊天，聊了三天，聊了五百轮。
传统长会话方案，基本靠把越来越长的对话历史塞进上下文窗口，再配合 KV 缓存运行。
哪怕有缓存优化，聊得越久，每轮推理要维护的缓存体量、算力开销还是会持续走高，速度会变慢，调用成本也会越来越高。
这不是个小问题。
客服、办公助手、编程智能体，这些场景都是高频长会话。
比如一个编程智能体连续修五十轮Bug，到第五十一轮，整套历史上下文都要参与计算，开销跟着对话长度持续上涨。
MemT 1.0 换了一套思路。
它在 Transformer 模型内部增加了一套可训练的原生记忆模块，可以通俗理解为模型学会了“记笔记”。
每一轮交互结束后，它依靠门控机制自动把新信息整理、更新进固定大小的内部记忆状态；后续需要相关信息时，可以直接调取这份记忆，长会话就不一定非得每次都把完整原始历史重新送进上下文参与计算。
它的意义在于，把“长期记忆”从外挂上下文工程、RAG 检索方案，往模型原生内置能力的方向挪了一步。
不过它也不是直接替代所有 RAG，外部知识库、权限控制、可解释性这些。
另一件事。
10 月 19 日晚，MiniMax 正式发布 M3.1 Flash，并确认此前匿名上线、全网猜测的“太空兔 Space Bunny”就是它的早期版本。Agent 任务综合使用成本约为前代的 30%。
现在，国产 Flash 模型在编程和 Agent 评测中已经能够与头部闭源旗舰模型竞争，同时保持很低的调用价格。
DeepSeek 与 MiniMax 的 Flash 版本各有侧重，为企业根据任务选型提供了互补选项。
以前碰到棘手的自动化任务，开发者愿意为旗舰模型支付溢价。
买的是什么？
更高成功率，更少反复调试。
但当 Flash 的能力在 Agent、代码等场景追近旗舰，这笔溢价的合理性就开始动摇。
调试代码 Bug、跑通业务流程、让 AI 连续操控电脑，只要平价模型能稳定交出合格结果，开发者没有理由继续为“稍微好一点”支付高倍溢价。
在自动化、编程这类Agent任务上，旗舰模型的价格仍显著高于 Flash，但任务成功率的差距已经被压缩得很小。
当然这个主要适用于自动化、编程这类场景；在超高精度推理、复杂创作等任务上，旗舰模型依然保有优势。
只是，能完成任务和做到极致完美之间的差距，正在 Flash 迭代浪潮里收窄。
说到底，不管是给 AI 加一个能随时记东西的“记忆本子”，还是打磨模型把价格打下来，落到我们手上，就是 AI 助手更顺手、更划算，更好用~
最后，
据路透社 10 月 20 日援引知情人士的报道，OpenAI 正在和软银、阿布扎比 MGX 等现有投资者协商一轮约 300 亿美元融资，目标投后估值超过 1.4 万亿美元。
消息提到，本轮融资节奏推进得异常急促，原因之一是和 Anthropic 共享一批机构投资者，OpenAI 希望在 Anthropic 预期 11 月中旬 IPO 之前拿下投资承诺。
今天的分享就到这里啦。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
