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。
关于记忆张量MemTensor
记忆张量（上海）科技有限公司（以下简称“记忆张量MemTensor”）是由上海算法创新研究院孵化，并由中国科学院院士担任首席顾问的新一代大模型与长期智能基础设施企业。
公司以“低幻觉、个性化、自我学习进化”为核心，长期聚焦大模型长期记忆与持续学习问题，围绕 Memory³ 相关记忆机制研究、MemOS 记忆操作系统、Agent 和记忆基础设施产品化，以及记忆原生通用基座模型，构建从理论探索、系统工程化到模型层探索的递进式技术路线，推动 AI 从一次性生成走向长期智能。
公司已与招商、海诚、荣耀等重要合作伙伴建立深度协同关系，并在AI 陪伴、游戏、端侧智能硬件、金融及工业等多个重点行业实现商业化落地，先后累计完成近两亿元融资，由中金、孚腾、华为哈勃、商汤、和玉等众多知名投资机构参投