MemOS kündigt 554-Milliarden-Parameter-Modell für native KI-Erinnerung an
Mindverse News
KI-gestützt erstellt, vor Veröffentlichung redaktionell geprüft 3 Quellen
Das Wichtigste in Kürze
- MemOS zufolge verfügt MemT-1.0-Pro über 554 Milliarden Parameter und wurde mit NVIDIA Nemotron 3 Ultra sowie Megatron-Core und Megatron Bridge entwickelt. [1]
- Im Vergleich zu MemT-1.0-Flash nennt MemOS Zuwächse von 4,76 Punkten auf BEAM-1M und 6,51 Punkten auf MemoryAgentBench; absolute Resultate und Testbedingungen fehlen in der Ankündigung. [1]
- Native Erinnerung soll frühere Interaktionen in einem internen Speicherzustand halten, sodass sie später genutzt werden können, ohne den vollständigen Gesprächsverlauf erneut in den Eingabekontext zu übernehmen. [1] [5]
- Ein früherer technischer Bericht zu MemT-1.0 beschreibt dynamische und trainierbare Speicherkomponenten, belegt aber nicht, welche Architekturdetails unverändert in Pro übernommen wurden. [5]
- Die NVIDIA-Dokumentation beschreibt Megatron Bridge als Trainings- und Konvertierungsschicht für Megatron- und Hugging-Face-Modelle; konkrete Angaben zu Pro-Verfügbarkeit, Kosten und Betriebsvoraussetzungen enthält die Ankündigung nicht. [1] [3]
Inhalt · 4 Abschnitte
Ein größeres Modell mit dauerhaftem Speicherzustand
MemOS hat am 22. November MemT-1.0-Pro angekündigt. Nach Angaben des Unternehmens entstand das Modell in Zusammenarbeit mit NVIDIA und basiert auf NVIDIA Nemotron 3 Ultra. Für das verteilte Training nennt MemOS Megatron-Core und Megatron Bridge. [1]
Als zentrale Neuerung stellt der Anbieter ein Modell mit 554 Milliarden Parametern und „native memory“ heraus. Der praktische Anspruch: Ein System soll Informationen aus früheren Interaktionen in einem internen Speicher ablegen und später wiederverwenden können, ohne den ursprünglichen Gesprächsverlauf bei jeder Anfrage erneut vollständig in den Eingabekontext zu laden. Das ist zunächst die Funktionsbeschreibung des Anbieters, kein unabhängiger Nachweis dafür, wie gut die Erinnerung in realen Anwendungen arbeitet. [1]
Für Unternehmen ist die Unterscheidung zwischen einem langen Kontextfenster und persistentem Speicher wichtig. Ein Kontextfenster verarbeitet Informationen, die der Anwendung für eine konkrete Anfrage mitgegeben werden; ein persistenter Zustand soll dagegen über einzelne Anfragen oder Gesprächsschritte hinweg nutzbar bleiben. MemOS positioniert Pro ausdrücklich für diese zweite Aufgabe. Die Ankündigung erläutert jedoch nicht, wie Informationen ausgewählt, aktualisiert oder gelöscht werden. [1]
- Angekündigte Gesamtgröße: 554 Milliarden Parameter. [1]
- Genannte Trainingsbasis: Nemotron 3 Ultra, Megatron-Core und Megatron Bridge. [1]
- Vergleichsmodell: MemT-1.0-Flash. [1]
Was der Vergleich mit Flash aussagt
MemOS beziffert den Vorsprung gegenüber MemT-1.0-Flash auf 4,76 Punkte bei BEAM-1M und 6,51 Punkte bei MemoryAgentBench. Der Post spricht von Punkten, nicht ausdrücklich von Prozentpunkten. Ohne weitere Erläuterungen sollte die Differenz daher nicht als prozentuale Verbesserung interpretiert werden. [1]
Der Beitrag nennt weder die absoluten Ergebnisse beider Modelle noch die genaue Benchmark-Version, die getesteten Aufgaben, die Auswertungsmethode oder die Laufzeitbedingungen. Auch Angaben zu Wiederholungen und statistischer Streuung fehlen dort. Die genannten Abstände sind damit Herstellerangaben, deren Größe und Aussagekraft sich anhand der Ankündigung allein nicht unabhängig einordnen lassen. [1]
Wie native Erinnerung technisch eingeordnet werden kann
Ein im Oktober veröffentlichter technischer Bericht zu MemT-1.0 beschreibt eine Modellarchitektur, die ausgewählte Transformer-Blöcke um eine zusätzliche Speicherverarbeitung ergänzt. Dabei bleiben gewöhnliche Aufmerksamkeitsberechnung und Speicherzugriff parallel bestehen. Der Bericht unterscheidet einen dynamischen, während der Nutzung veränderlichen lokalen Speicher von trainierbaren Komponenten, die das Speichern und Abrufen unterstützen. [5]
Für die Aktualisierung des dynamischen Zustands beschreibt das Papier einen Mechanismus auf Token-Ebene, der auf Gated DeltaNet-2 basiert. Mit Mixture-of-Storage, kurz MoS, soll die native Speicherkapazität über mehrere Speicherexperten erweitert werden. Das sind Angaben zur Architektur von MemT-1.0 im technischen Bericht; die Ankündigung von Pro bestätigt nicht, ob diese Bausteine vollständig oder unverändert in der neuen Version eingesetzt werden. [5] [1]
Der Bericht stellt Speicherzustände außerdem als trajektorienbezogen dar: Modellparameter können geteilt werden, während der dynamische Speicher einer jeweiligen Interaktionsfolge zugeordnet bleibt. Für eine feste Speicherkonfiguration soll dessen persistente Größe nach Darstellung der Autoren mit zunehmender Interaktionszahl konstant bleiben. Das beschreibt das Designziel im Papier, nicht automatisch die Kapazitätsgrenzen oder das Verhalten jeder Pro-Implementierung. [5]
Der Unterschied zu einem einfachen Wiederholen des Gesprächsverlaufs liegt damit im Speicherformat: Statt sämtliche früheren Texte fortlaufend erneut als Eingabe bereitzustellen, soll das Modell Informationen in einem fortgeschriebenen Zustand halten. Daraus lässt sich als Analyse ein möglicher Vorteil bei langen Agentenaufgaben ableiten, bei denen frühere Entscheidungen oder Erfahrungen später relevant werden. Wie zuverlässig dieser Vorteil in konkreten Arbeitsabläufen ausfällt, muss jedoch anhand von Aufgaben, Fehlerraten und Langzeittests geprüft werden. [1] [5]
- Der frühere Bericht führt MemT-1.0-Nano mit 36 Milliarden Parametern und MemT-1.0-Flash mit 288 Milliarden Parametern auf. [5]
- Für Flash nennt das Papier 17 Milliarden aktivierte Parameter; die Ankündigung zu Pro macht keine entsprechende Angabe zu aktiven Parametern. [5] [1]
- Der Pro-Wert von 554 Milliarden Parametern ist daher nicht ohne Weiteres mit dem Aktivparameter-Wert von Flash vergleichbar. [1] [5]
Die Modellfamilie ist nicht mit Pro gleichzusetzen
Der technische Bericht zu MemT-1.0 beschreibt Nano und Flash als die damaligen Modelle der Familie und nennt für Flash einen DeepSeek-V4-Flash-Backbone. Die spätere Pro-Ankündigung nennt dagegen Nemotron 3 Ultra als Grundlage. Das weist auf unterschiedliche Modellbasen hin; aus den vorliegenden Angaben lässt sich aber weder die genaue technische Überleitung noch der Umfang der Änderungen rekonstruieren. [5] [1]
Für die früheren Modelle berichten die Autoren über Tests auf elf Gedächtnis-Benchmarks und über Ergebnisse oberhalb parametrisierter Speicher-Baselines im Durchschnitt. Sie beschreiben außerdem Nano bei einer Historienlänge von 128.000 Token mit ungefähr 1,86-facher Ende-zu-Ende-Inferenzgeschwindigkeit und 66-fach geringerem persistentem Speicherbedarf gegenüber einem vollständigen Kontext-KV-Cache. Diese Ergebnisse betreffen Nano und Flash im Bericht, nicht MemT-1.0-Pro. [5]
Trainingsinfrastruktur: Was Megatron Bridge beiträgt
MemOS schreibt das verteilte Training Megatron-Core und Megatron Bridge zu. NVIDIA beschreibt Megatron Bridge allgemein als PyTorch-native Bibliothek innerhalb des NeMo-Frameworks, die Training mit einer Konvertierungsschicht zwischen Hugging-Face- und Megatron-Formaten verbindet. Die Dokumentation nennt unter anderem Vortraining, überwachtes Fine-Tuning und LoRA sowie Tensor- und Pipeline-Parallelisierung. [1] [3]
Solche Werkzeuge adressieren eine zentrale technische Anforderung sehr großer Modelle: Trainingszustände und Modellberechnungen müssen auf verteilte Beschleunigerinfrastruktur abgestimmt werden. Die NVIDIA-Dokumentation beschreibt außerdem Prüfmechanismen für die Integrität konvertierter Checkpoints und Möglichkeiten, Gewichte zwischen den unterstützten Formaten zu übertragen. Sie belegt damit Funktionen des allgemeinen Werkzeugs, aber keine konkreten Hardwarekonfigurationen, Laufzeiten oder Kosten für das Training von Pro. [3]
Auch die Parameterzahl allein reicht nicht aus, um den Aufwand für den Betrieb zuverlässig zu berechnen. Dazu wären unter anderem Angaben zur tatsächlich aktiven Parameterzahl, zur numerischen Präzision, zur Speicherarchitektur und zur Inferenzoptimierung erforderlich. Die Ankündigung nennt für Pro keine solchen Werte. Für Beschaffung und Kapazitätsplanung wäre es daher verfrüht, aus den 554 Milliarden Parametern allein auf eine bestimmte Zahl benötigter GPUs oder auf konkrete Serving-Kosten zu schließen. [1]
- Die NVIDIA-Dokumentation nennt bidirektionale Checkpoint-Konvertierung zwischen Hugging Face und Megatron. [3]
- Megatron Bridge unterstützt laut Dokumentation verteilte Trainingsfunktionen und gemischte Präzisionsformate; konkrete Pro-Konfigurationen sind in den vorliegenden Angaben nicht ausgewiesen. [3] [1]
Trainierbarkeit ist nicht gleich Betriebsbereitschaft
Die verfügbaren Quellen belegen, dass MemOS den Start von Pro erklärt und auf einen Link zum Erkunden des Modells verweist. Sie enthalten jedoch keine ausreichend detaillierten Angaben zu Download- oder API-Zugang, Lizenz, Preisen, benötigter Hardware oder unterstützten Inferenzdiensten. „Gestartet“ ist deshalb nicht gleichbedeutend mit einem vollständig dokumentierten und für jede Produktionsumgebung verfügbaren Angebot. [1]
Für technische Teams bleibt zudem offen, wie das Modell seine Speicherzustände über Sitzungen und Nutzerkonten hinweg trennt, welche Kontrollen zur Datenlöschung bestehen und wie sich gespeicherte Informationen prüfen lassen. Das sind keine belegten Mängel des Produkts, sondern offene Prüfbereiche, weil der Ankündigungspost diese Betriebs- und Governance-Fragen nicht beantwortet. [1]
Was Unternehmen vor einem Einsatz nachmessen sollten
Die gemeldeten Benchmark-Zuwächse sind ein Anlass für eine eigene Evaluation, aber noch kein belastbarer Ersatz dafür. Unternehmen sollten die Testaufgaben mit ihren eigenen Anforderungen abgleichen: etwa mit mehrstufigen Agentenabläufen, bei denen Informationen aus früheren Schritten später wieder benötigt werden. Dabei zählt nicht nur, ob das Modell etwas korrekt erinnert, sondern auch, ob es veraltete oder widersprüchliche Informationen angemessen behandelt. Diese Bewertung ist eine Analyse möglicher Prüfanforderungen; die Quellen dokumentieren keine entsprechenden Pro-Tests. [1] [5]
Für einen fairen Vergleich mit einer Architektur, die den Gesprächsverlauf im Kontext hält, sollten Teams zusätzlich Latenz, Durchsatz und Speicherbedarf über steigende Interaktionslängen messen. Der frühere MemT-Bericht stellt Effizienzvergleiche mit vollständigem Kontext für Nano an, liefert aber keine entsprechenden Pro-Werte. Ein solcher Test könnte klären, ob der Speicheransatz im konkreten Einsatz nicht nur den Kontextumfang reduziert, sondern auch die Gesamtkosten oder Antwortzeiten verbessert. [5] [1]
Ebenso relevant ist die organisatorische Seite: Wenn ein Modell Informationen aus vorangegangenen Interaktionen weiterverwendet, müssen Unternehmen festlegen, welche Daten gespeichert werden dürfen, wie lange ein Zustand bestehen bleibt und wer ihn zurücksetzen oder einsehen kann. Die vorliegenden Quellen beschreiben die technischen Speicherideen, aber keine Pro-spezifischen Richtlinien für Datenaufbewahrung oder Zugriffskontrolle. Diese Punkte sollten deshalb vor einem produktiven Einsatz anhand der verfügbaren Implementierungs- und Vertragsunterlagen geklärt werden. [1] [5]
- Benchmark-Aufgaben, absolute Scores und Testbedingungen für Pro anfordern. [1]
- Aktive Parameter, Präzision, Hardwarebedarf und Inferenzkosten separat ermitteln; die Ankündigung weist diese Werte nicht aus. [1]
- Speichertrennung, Löschung und Datenaufbewahrung im vorgesehenen Einsatz prüfen; die Ankündigung enthält dazu keine Pro-spezifischen Angaben. [1]
Einordnung der Leistungsversprechen
MemT-1.0-Pro verbindet einen deutlich größeren angekündigten Parameterumfang mit dem Anspruch, Erinnerung als Modellfunktion statt als fortlaufend wiederholten Eingabetext bereitzustellen. MemOS nennt zudem zwei Benchmark-Zuwächse und eine NVIDIA-basierte Trainingsinfrastruktur. [1]
Die technische Grundlage des früheren MemT-Berichts macht den Ansatz nachvollziehbarer, bestätigt aber weder die konkrete Architektur von Pro noch dessen Leistungswerte. Solange detaillierte Pro-Ergebnisse, Einsatzbedingungen und Betriebsangaben fehlen, sollten Sie die Ankündigung als frühen Produkt- und Leistungsanspruch behandeln – nicht als unabhängigen Nachweis für einen Vorteil in Ihrer Produktionsumgebung. [1] [5]
Quellen
- [1] MemOS — https://x.com/MemOS_dev/status/2124623963087126562 (abgerufen am 2026-11-22)
- [3] NeMo Megatron Bridge — Megatron Bridge — https://docs.nvidia.com/nemo/megatron-bridge/0.3.0/index.html (abgerufen am 2026-11-22)
- [5] \titlefont MemT-1.0: Towards Memory-Native Evolution — https://arxiv.org/html/2610.26825v1 (abgerufen am 2026-11-22)
Nächster Artikel
Anthropic
Anthropics Börsenstart: Rekorderlös, aber offene ProfitabilitätAnthropics Rekord-IPO bringt Milliarden, doch Kursrückgang, hohe Rechenkosten und offene Profitabilität werfen Fragen für Anleger und KI-Kunden auf.

Artikel teilen
Mehr zu KI-Finanzierung & Börse
Alle Finanzierung-News- Kronos übersetzt Börsendaten in diskrete Sequenzen für Finanzprognosen
Das Finanzmodell Kronos verarbeitet Kerzendaten mit einem hierarchischen Tokenizer. Die Autoren berichten Benchmarkgewinne, doch Praxistauglichkeit bleibt zu prüfen.
- Anthropic legt IPO-Preisspanne vor – Börsenstart bleibt vorläufig
Anthropic nennt für den Börsengang 70 bis 78 Dollar je Aktie. Der Nasdaq-Start am 19. November gilt als Ziel, ist aber noch nicht offiziell bestätigt.
- Alphabet verliert rund 500 Milliarden Dollar Börsenwert nach Quartalszahlen
Alphabet verliert rund 500 Milliarden Dollar Börsenwert. KI-Investitionen, negativer Free Cashflow und schwächere Suchwerbung schüren Zweifel. [S1][S5]
- US-Justizministerium prüft Nvidia-Übernahme von Hugging Face
Das US-Justizministerium untersucht Nvidia: Im Fokus stehen die geplante Hugging-Face-Übernahme, Vertriebspraktiken und weitere Geschäfte.
Dranbleiben
Mindverse News folgen
Neue Meldungen erhalten Sie über unseren RSS-Feed oder auf LinkedIn.
Passend dazu in Mindverse Studio
- Eigene Modelle und Assistenten trainierenBilden Sie einen digitalen Marken-Experten auf Ihrem Wissen aus.
- Die KI-Plattform für UnternehmenRollen, Freigaben und Abrechnung für den KI-Einsatz im ganzen Unternehmen.
- Dokumente und Daten analysierenAuswerten, vergleichen und Abweichungen automatisch erkennen.
Recherchieren Sie KI-News wie diese selbst – mit Mindverse Studio.
7 Tage kostenlos testen – ohne Kreditkarte, mit 200 Credits. Für Fragen zur Umsetzung buchen Sie eine persönliche Demo.