内存基础模型省66倍存储

长上下文推理的显存爆炸问题，目前主流解法是靠 HBM 扩容或稀疏注意力近似，但成本曲线陡峭。MemT-1.0 的 fixed-size persistent state 思路与 RWKV 的状态压缩、Mamba 的 SSM 有相似动机，但明确给出了 128K 下的 66x 压缩比量化数据，且保留了可训练的超记忆模块，比纯启发式压缩更灵活。

Mixture-of-Storage 的架构暗示记忆容量可以横向扩展，这对需要小时级甚至天级会话记忆的 Agent 场景很关键。目前 stars 仅 192，代码完整度待验证，但方向切中了长上下文落地的真痛点。做长窗口客服、代码助手、研究 Agent 的团队建议跟踪其两阶段训练的具体配置和下游任务评测。