从Memory3到MemOS，再到记忆原生模型：记忆张量MemTensor完成亿元Pre-A轮融资

记忆张量MemTensor完成亿元Pre-A轮融资，本轮融资由和玉资本、华为哈勃、荣耀战投、商汤国香、深创投共同投资，公司已累计完成数亿元融资。

围绕大模型长期记忆与持续学习问题，记忆张量已形成从Memory3相关记忆机制研究、MemOS记忆操作系统，到记忆原生通用基座模型训练范式探索的递进式技术路线。本轮融资将用于持续推进MemOS迭代、Agent和记忆基础设施产品化、重点产业场景落地，以及记忆原生通用基座模型研发，加速相关技术的工程化和产业化。

AI 从单次响应走向长期运行

过去几年，大模型的发展主要围绕模型规模、训练数据、推理能力、多模态能力和上下文长度展开，但当AI开始承担跨时间、跨任务和跨系统的工作时，仅仅完成单次生成和推理已经不够。记忆与推理需要被放在同一套系统结构中考虑：推理负责处理当前问题，记忆负责维持历史状态、沉淀经验并为后续任务提供连续性。

记忆不只是聊天记录、向量索引或应用侧的附加功能，而需要成为可工程化设计、可验收和可治理的系统对象。随着AI从单次能力展示走向长期任务执行，记忆正在进入应用、系统软件和基础模型层，成为连接模型、Agent、终端和企业系统的基础能力。

三阶段技术演进：从记忆机制到系统工程与模型训练范式

Memory3：探索模型的长期记忆机制

2023—2024年，记忆张量围绕大模型长期记忆与持续学习问题展开理论探索，并于2024年在WAIC现场发布Memory3。

Memory3尝试将记忆从外部知识补充推进到模型架构与能力机制层面，探索AI如何形成长期记忆、沉淀经验，并在持续运行中实现认知演化。

MemOS：将记忆工程化为系统资源

2024—2026年，记忆张量进一步推进长期记忆能力的系统工程化，并于2025年在WAIC现场发布MemOS。

MemOS聚焦大模型和 Agent 长期运行中的系统层问题，将记忆抽象为可生产、可管理和可调度的系统资源，对明文记忆、激活记忆和参数记忆等不同形态进行统一管理，并将记忆的生产、加工、分层、更新、遗忘、溯源、回滚和生命周期治理工程化。

其中，明文记忆适合承载用户偏好、任务状态、历史事件、企业知识和领域经验；激活记忆面向推理过程和运行状态，可承载上下文前缀、KV Cache、隐藏状态和任务中间状态；参数记忆则面向长期稳定知识和深度能力内化，承载高频、稳定且重要的知识、能力模式和领域经验。

MemOS将原始交互、文档、工单、设备日志、用户偏好、任务过程和Agent行为轨迹加工为结构化的记忆单元，使AI的长期状态不再只是分散的历史记录，而能够被统一管理、持续更新并接受治理。

记忆原生通用基座模型：让记忆进入训练与推理机制

2026年，在Memory3相关研究和MemOS系统能力的基础上，记忆张量进一步推进记忆原生通用基座模型训练范式探索。

不是面向单一行业构建垂直模型，也不是为现有模型外挂一套Memory模块，而是面向通用语言理解、知识推理、代码、多模态和复杂任务执行等基础能力，探索如何将长期记忆、持续学习、经验巩固和抗遗忘机制引入模型训练与推理过程。

MemOS解决的是“系统如何管理记忆”，记忆原生模型方向探索的是“模型如何学习记忆”。前者建立长期状态的生产、调度与治理机制，后者进一步研究模型能力如何随时间和经验持续演进。

公司还将探索基于Memory的Scaling Law曲线，让模型增长随着服务的供给不断的演进。

长期记忆进入产业应用场景

在AI终端、Agent、企业智能体和工业AI场景中，长期记忆正在从“让AI记住几句话”，走向跨任务、跨场景和跨系统的状态管理能力。

在AI终端场景中，系统需要在用户授权和隐私边界内持续理解用户偏好、使用场景和任务状态，并与端云协同、个人智能体和终端入口相结合。对于手机、PC、车机、机器人和智能硬件而言，这不仅关系到单次交互体验，也决定设备能否在长期使用中保持连续理解。

在企业Agent和行业智能体场景中，需要沉淀的不只是对话，还包括任务背景、业务上下文、组织经验、专家知识和Agent行为轨迹。通过对这些信息进行持续积累和治理，系统可以将分散的业务过程转化为可复用、可追溯的组织记忆。

目前，记忆张量已与招商证券、中国海诚、荣耀、联想集团、海尔小优等行业标杆客户及合作伙伴建立紧密合作，深度融入英伟达、阿里云、华为、壁仞等产业生态，并在游戏、端侧智能硬件、金融、工业等重点领域实现规模化商业落地。

下一阶段：系统能力与模型能力并行推进

在系统层，MemOS将持续服务Agent、AI终端、企业智能体和工业AI的长期运行，提供记忆生产、状态管理、经验沉淀和治理能力。

在模型层，记忆张量将继续探索记忆原生通用基座模型训练范式，把长期记忆、持续学习、经验巩固和抗遗忘机制引入模型训练与推理过程，使模型不仅能够从大规模静态数据中学习知识，也能够围绕用户、任务、环境和组织产生的动态经验，形成可持续更新、长期保持和迁移复用的能力。

通过系统基础设施与模型训练范式的协同推进，记忆张量将持续推动AI从一次性生成和推理，走向能够沉淀经验、保持状态并持续演进的长期智能。

文章来源：记忆张量MemTensor