搜索“其他”

测试。 公开信息显示，微软取消了数百兆瓦容量的数据中心租约；Meta上半年裁了约8000个岗位；10月14日的Anthropic投资者日活动上，据与会者称，其最新估值落在1.5万亿美元，较此前的2万亿峰值打了个七五折。 标普预计，亚马逊、微软、Alphabet、甲骨文、Meta及SpaceX这六大美国超大规模云服务商，在2025年至2030年间将在数据中心及其他AI相关资本支出上合计超过7万亿美元，且至少在明年之前将持续处于负自由现金流状态。 过去两年，AI的估值逻辑是“投入即信仰”：谁在GPU和数据中心上砸钱，资本市场就给谁高估值。 但市场的融资成本在上升，收入也不可能一直保持高速增长。资本市场的风向，也从看谁烧得起钱，转到看谁赚得多，看谁账上的现金流更稳。 一直被骂“AI掉队”的苹果，有点因祸得福的意思，捡了一波便宜。据测算，它一年的AI相关支出只有110亿到130亿美元，对手单家资本开支都在千亿美元级。 这推动其股价在2026年涨了约25%，最新市值摸到5万亿美元，离英伟达只差1480亿。相较之下，“美股七姐妹”其他几家的股市表现，喜忧参半，比如特斯拉、微软、Meta年内都还在跌

匹配字段正文

成。生成式AI仍处于实验阶段。 AI在东南亚发展极为迅速，已有数百万人用它来购物、旅行和管理资金。这场技术热潮预计将使该地区数字经济到2035年价值超过1万亿美元。当地民众已开始足够信任AI，愿意让它代为比价和购物。为保持这一增长势头，该地区正在建设更多数据中心，并制定新规则以确保一切安全高效。 摘要由Google AI生成。生成式AI仍处于实验阶段。 探索其他风格： 在东南亚，生成式AI已成为日常生活中不可或缺的一部分，有2.43亿人（占劳动人口的58%）积极使用，其普及速度是移动互联网的四倍。根据年度报告第11版，这对该地区经济具有重大影响。 《e-Conomy SEA》报告 1 . 《构建智能经济》由Google、Temasek和Bain & Company发布的报告发现，AI的广泛落地正推动该地区数字经济同比增长17%，2026年商品交易总额（GMV）达到3680亿美元 2 。这使其稳稳走上到2035年突破1万亿美元的轨道。报告以token 3 作为AI经济的新基准，预测对智能体商务日益增强的信心将推动区域AI使用量在未来五年激增60倍。 以下是今年《e-Conomy SEA

匹配字段正文

平时我们买电子产品或者给机房折旧，默认铁律是硬件落地打八折，新芯片一出，老款服务器除了降价甩卖就是等着报废。 随着大模型算法持续跃迁，同一块老 H100 在今天每瓦特能干的活比两年前多了一大截，软件的进化硬生生把旧硬件的租金给托举着往上涨。 为了证明外面的算力饥荒到底有多荒诞，他在现场讲了一个亲自去外面找卡的真实笑话，他们本来想把手里的一部分推理算力外包给其他云厂商， 好腾出自家机房去训大模型，结果找了一圈，活生生演了一出英国喜剧蒙提派森里的空奶酪店小品：去问人家有没有最新的 GB300，没有；退一步问 GB200，也没有， 再退一步去问谷歌的 TPU 或者亚马逊的 Trainium，还是没有；最后被逼无奈问总有老掉牙的 H100 吧，对方满口答应说海外机房好像还剩一点，结果回头查完库存摊手说，对不起，连海外的 H100 也一并租光了。 这就像淘金热最疯狂的年月，哪怕是一把生了锈的二手铁锹，只要今天挖出来的金矿纯度比去年高十倍，这把旧铁锹在黑市上的日租金就会比两年前刚出厂时还要贵，而街上所有挂着五金店招牌的铺子，货架早就空得连一颗螺丝钉都摸不出来了。 当华尔街还在拿着传统硬件三年折旧

匹配字段正文

信号处理工程师。 她做客Equity节目，畅谈物理AI的未来——这是业界最新的流行词之一。 “很多公司和专家一直在谈论机器人的ChatGPT时刻，”她说，并补充说目前该行业更像处于“乐高时代”。 “眼下有大量机器人领域的基础软件和构建模块正在被重新思考，而这对创新的规模化至关重要，”她继续说道。 目前，人们正在打造基础部件——机器手或执行器——这些部件有朝一日能够组合起来，造出那种大件产品，就像一堆乐高积木拼在一起。眼下也在打造通用和专用机器人，最终，随着人们不断建造它们，它们会变得更好、更先进。 “我们在互联网时代做过这件事，”她说。“很久很久以前，我们在工业革命中也做过这件事。我认为一切各就各位只是时间问题。” “人才也将非常关键，”她继续说道，并在对话的其他地方提到，人才仍是美国市场的关键决定因素。她说，这是她所在机构的“护城河”之一，帮助创始人与顶尖人才建立联系，以便他们当下保持竞争力，因为如此多的人才正流向Anthropic和英伟达这样的大公司。她指出，凭借自己在该领域多年的工作经验，她已经建立起了强大的人脉网络。 “这让我更容易成为创始人的力量支柱或第一个求助对象，”她说。

匹配字段正文

设计。今年 8 月，Anthropic 就曾公布一项研究：Claude 面向 15 个蛋白质靶点开展设计，其中 14 个成功获得实验验证的结合蛋白。 相比此前的研究，这次实验进一步展示了 Claude 在具体生物医药问题中协调复杂科研流程的能力。 但距离真正的抗毒药物仍有不少工作要做。目前，Anthropic 已公开全部 211 个候选设计及相关实验数据，供其他研究人员继续验证。 从蛋白设计到药物研发， 如果说 Anthropic 展示的是 AI 设计生物分子的能力，那么另一家生物 AI 公司 Radical Numerics，则把故事推进到了人体治疗场景。 刚刚，Radical Numerics 发布基因组大模型 Omnii-1，并宣布其 AI 设计的噬菌体首次获准用于一名耐药菌感染患者的同情用药。公司称，相关噬菌体已经通过实验室杀菌测试，并获得了用于患者治疗的授权。 噬菌体是一类能够感染细菌的病毒，在特定条件下，它们可以被用于针对细菌感染的治疗研究，尤其是在耐药菌感染等常规治疗选择有限的场景中。 与此同时，OpenAI 宣布收购生物医药 AI 公司 Orchestra Bio，并计

匹配字段正文

题 陶哲轩和邓煜，也开始「慢科研」了（doge）。 “保留那些慢慢做科学、做数学的方式所带来的好处，包括增进理解、建设共同体，让人类持续掌握对一个学科的理解。” 就在刚刚，针对商业AI批量发布数学证明引发的争议，两位菲尔兹奖得主坐到一起，在SAIR发布的一场访谈中给出了回应。 过去，解决一道数学难题，往往也意味着研究者能够解释证明、提出新问题，并将知识传授给其他人。 这也是两人参与Open Math Model开放数学模型计划的动机之一：让数学共同体参与工具开发，使AI真正服务于数学研究。 按照访谈时的进展，团队的新模型仍在筹备，率先推出的是Open Math OS——一个整合现有开放模型、研究工具与协作功能的工作平台。 访谈的核心观点如下： 解出问题与理解证明，是两条不同的边界。机器产出证明之后，人类仍需要理解其中的关键思想，解释它为什么成立，以及它能引出什么新问题。 开放工具应让数学共同体参与决定方向。两人希望研究者能够参与工具建设，让解释、协作和知识积累成为明确目标。 好工具应让使用者更有能力。提出有价值的问题、设计整体证明路线、发展新的想法，仍是研究者需要培养的能力。获得答案的

匹配字段正文

但这组数据揭示了一个需要持续观察的变化：当机器人从高价研发设备逐步走向更大规模的销售，企业需要同时解决成本、性能和利润三个问题。 如果价格下降主要来自零部件成本降低、制造效率提高和规模化生产，企业仍有机会维持良好的盈利能力。 如果降价速度超过成本下降速度，或者企业需要不断投入研发和服务资源才能维持竞争力，那么销量增长未必能够带来同等幅度的利润增长。 行业内其他公司的披露，也能帮助理解商业化所处的阶段。 以云深处为例，公司更新的招股书显示，2026年上半年共销售6台人形机器人，收入279万元，占同期营业收入的1.08%。云深处同时表示，其人形机器人业务仍处于商业化起步阶段，出货量与宇树科技等企业存在较大差距。 云深处的产品定位和客户结构与宇树科技并不完全相同，不能用这家公司的销量推断整个行业。不过，这个案例至少说明，人形机器人在部分企业的收入结构中仍然占比较小，技术研发和商业化之间存在明显的时间差。 放到更广泛的行业竞争中，企业要跨过的门槛还包括： 稳定性。机器人能否在复杂环境下连续工作，发生故障后能否快速恢复。 任务完成率。在真实场景中，机器人能否可靠地完成整套工作流程，而非单个动作

匹配字段正文

。 按理说，这么大的推广规模，接下来只需要找个地方瘫坐，等待生产率飙升了。 微软还发现，直接把Agent塞进原有工作流程，可能只会让问题在agent的下一个流程出现。 微软高管此前预计，公司内部使用Anthropic技术的年度支出可能达到至少10亿美元。 后来，这项内部支出预估被下调了超过三分之一。 微软开始鼓励员工更多使用自家GitHub Copilot及其他工具，并要求各部门管理Token预算。 9月，安永公布了一项针对美国大型上市公司的AI风险调查。 调查对象是202名资深AI决策者，所在企业年营收均达到至少10亿美元。 其中，36%的受访者表示，所在组织曾经发生过造成实质负面影响的AI事故或故障。 涉及数据丢失、财务损失、运营中断、品牌声誉受损等情况。 美国人力资源管理协会CEO Taylor说： 企业现在就像一边开着卡车上路，一边还在造这辆卡车。 Taylor感叹，如果能够重新来过，很多企业可能会选择更加审慎、缓慢的AI部署方式。 只可惜。 请神容易送神难了。 本文来自微信公众号“量子位”，作者：程浅，36氪经授权发布。 该文观点仅代表作者本人，36氪平台仅提供信息存储空间服

匹配字段正文

事实上长出了第二条模型线：一条是服务公众的通用模型线，一条是服务研发的专用编程模型线。 后来，这条支线被视为Codex“魔力”的来源。然而，Tibo透露，OpenAI内部从未做出拆分模型线的决定，一开始这只是研究探索，是对OpenAI迭代速度的优化。 不过，Tibo的内部编程agent只解决了模型如何变强的问题，并不适合所有人使用。Codex要真正成型还需要其他团队的加入。 2025年初，OpenAI内部几支从不同角度探索AI编程的队伍开始合流，Tibo与Embiricos的两班人马先是进行了合并，之后OpenAI的Scientist Assistant（科学家助手）研究项目也被并入。 队伍齐了，下一个问题是产品做成什么样。联合创始人Greg Brockman总结，当时悬而未决的问题是形态因子：这个agent该待在终端、编辑器，还是云端自己的电脑上？没人知道哪些路是死胡同，OpenAI其实选择了多路押注的方案。 这种多路押注其实给OpenAI员工带来了困扰，有员工私下抱怨这既混乱又浪费——谁愿意待在一个公司里只能排第三的agent团队？面对这种质疑OpenAI创始人兼CEO Sam A

匹配字段正文

全、也最像传统企业级软件公司的那一个。但据《华尔街日报》等媒体曝光的IPO招股书草案，这家公司向资本市场展示出的，是一个高度依赖算力基础设施、以长期承诺换取模型竞争力的“重资产玩家”。 这份草案里的几组核心数据，堪称当代科技史上最引人注目的财务切片： 2026年上半年营收：163亿美元。2026年上半年净亏损：807亿美元，其中约720亿美元为与可转换票据及其他融资工具公允价值变动相关的非现金会计计提，并非当期实际现金流出。上半年算力及基础设施支出：近90亿美元，已超过2025年全年的73亿美元。未来7到10年云计算承诺：约4500亿美元，其中大部分不可取消，约80%的金额“无论是否使用”均需支付。租用英伟达芯片的承诺金额：最高可达860亿美元，合同方为Nscale、Lambda等AI云服务商，期限分别至2033年和2034年。 单看163亿美元的半年营收，对一家成立时间不长的AI公司而言已相当可观。但紧随其后的807亿美元账面净亏损，以及长达十年的刚性云账单，仍然构成了巨大的财务压力。需要说明的是，上述4500亿美元云计算承诺与860亿美元芯片租赁合计约5360亿美元，若再计入与博通

匹配字段正文

4万、4655万和3039万次，三款产品合计占20款上榜产品访问量的53.1%。 两张榜单衡量的东西不同，QM把产品覆盖端口的月活相加，跨端用户未去重，易观看桌面应用的交互次数。它们都不能直接当作企业订单榜，却都以一笔生意为目标：谁能把个人试用变成团队的固定支出。 大厂已经开始为此互挖客户。千问办公支持迁入WorkBuddy的本地历史数据；豆包工作让用户带着其他AI里的对话、技能和记忆转过来；腾讯则把WorkBuddy接进企业微信，也提供钉钉、飞书的机器人接入方式。 企业可以继续用原来的软件开会、聊天和审批，再把一部分工作交给另一家的AI。协作软件的存量客户，正在变成办公Agent共同争夺的客户。 腾讯继续保持领先优势，按QM口径，9月WorkBuddy合计月活约为百度搭子的3.3倍、千问办公的4.1倍，多端总使用次数达到8.36亿次。按易观桌面端口径，WorkBuddy月访问量从6月的2097万次增至9月的8534万次，三个月变为原来的4.07倍。 但要维持这种领先，腾讯不能停留于固守基本盘。 10月9日，WorkBuddy加入独立文件浏览器，本地文件可以直接预览并交给AI编辑。10

匹配字段正文

的三重差异化优势 安谋科技2025年11月发布的“周易”X3 NPU IP，是行业内首批原生支持FP4的端侧NPU产品，其R1、R2两个系列可无缝对接经过FP4权重量化调优的端侧大模型。而且周易X3不是单纯“支持FP4格式”，而是从硬件架构、量化范式到软件工具链的全栈适配，核心价值在于把FP4的理论收益兑现为端侧实测性能。 架构原生设计，这是“周易”X3相比其他NPU产品的第一重差异化优势。低比特支持在NPU行业并不新鲜，但行业常见现象是标称峰值算力高、实际利用率打折，这使用户的理论收益在真实负载中打了折扣。周易X3的差异化在于架构层面的原生设计：数据格式完整覆盖INT4～INT32、FP4～FP32与BF16，FP4还可与FP8、FP16逐层灵活混配，让端侧产品在PPA（功耗、性能、面积）约束下取得最优平衡。而且基于DSP+DSA通用架构，X3单核带宽达256GB/s，实测7B模型Prefill阶段算力利用率超过70%，Decode阶段有效带宽利用率超过等效带宽利用率。这组数据意味着，“周易”X3能够将FP4带来的理论带宽与算力收益，真正转化为端侧的实际生成速度与首字延迟改善。 周易

匹配字段正文

区；叠加身份验证、短信、风控、数据仓库等跨云依赖链层层传导。Revolut为云原生“全有或全无”架构、无本地系统兜底，注册、登录、支付、转账、ATM及股票与加密货币交易全线停摆。 3.全球银行迁云在获得弹性的同时让渡了基础设施控制权与故障可见性，多家机构共用同一云区域形成“一损俱损”的系统性风险；FCA与英格兰银行近年强调“运营韧性”要求。谷歌建议客户迁移至其他可用区域，暴露云厂商与客户间责任边界模糊；同一europe-west2区域2022年7月曾因冷却系统故障中断超42小时。 十三、商汤给 GPT-6-Astra 做“真机体检”：仿真考卷近乎满分，一上手就露怯 1.仿真与真机严重脱节：商汤联合大晓机器人、南洋理工等团队测评显示，GPT-6-Astra在12项仿真评测中多项接近满分（LIBERO-Long++达100%、SIMPLE为98.8%），但部署到8个真实机器人平台后，插插头11次尝试全部失败、叠衣服碰壁；其高分还依赖上下文学习（ICL）和放宽至10倍动作步数两项“补药”，家庭长程基准BEHAVIOR成功率仅37.0%。 2.核心瓶颈是“不知道自己做对没有”与成本失控：模型常

匹配字段正文

文 | 脑极体 我觉得，基础模型最重要。 理由是在行业群、从业者交流中，大家普遍觉得AI办公产品的界面和功能，都大同小异，真正决定要不要付费的，是它能不能把活干好。而这就取决于模型能力，以及与其他办公软件、工作流的打通。 比如说，不少AI办公软件都愿意接入Kimi，因为上下文能力更强；豆包工作与飞书的结合，也有“真懂打工人”的奇效。 一位在企业的朋友告诉他，公司里不少人都在用WorkBuddy，甚至不知道豆包和千问也有AI办公产品。只能解释为，微信一键连接，入口方便，加上最近推广优惠力度大，免费额度多，用起来便宜。 说白了，普通企业里的大多数办公任务，并没有那么复杂和技术，谁先靠营销战触达用户，才是决定性因素。 这次，谁也没有说服谁。当我们把视线拉远，发现大家关注的根本不是同一场比赛。 基础模型，是AI办公的后场，兜底产品能力的防线；在营销和渠道上争夺用户的注意力，是抢球最激烈的中场厮杀。而财经、金融、政务等行业场景的前场，则需要深入具体业务的临门一脚。 比如，千问与钉钉打通，豆包工作依托飞书，WorkBuddy则与微信结合。你以前的工作成果、沟通文档，沉淀在哪里，就会觉得与之打通的A

匹配字段正文

体使用。 另一个是智能体PC，供人类用户使用。它让用户能够随身携带多个智能体，而且这些智能体是用户私有的，数据不上云。 但AI终端的主流形态会一直是PC吗？也未必，因为未来AI终端的角色是智能体的入口和界面，它的形态是千变万化的，可以是智能眼镜、AI Pin（AI胸针）等等。真正的变化在于，未来智能体未必运行在这些终端里，而是运行在用户身后的“智能体主机”或其他本地计算设备中。简单来说，未来我们随身携带的不一定是算力，而是连接自己专属AI军团的钥匙。 胡春民：我们是否可以这样理解，智能体主机是新的计算品类，而智能体PC是AI PC的升级？ 纪朝晖：智能体主机可以理解为AI员工“住”的地方。智能体出现后，我们注意到OPC迅速崛起，一位创业者加一台智能体主机就可能组建起自己的“AI团队”。今年3月，我们提出智能体主机概念，给智能体“找个家”。一台智能体主机可以运行6个智能体，并可以灵活部署在企业或家庭环境中。 而智能体PC是面向个人用户的新一代AI终端。2024年，采用AMD Ryzen AI 300系列处理器的Copilot+PC问世，让AI成为用户的“副驾驶”。随着智能体到来，PC将进

匹配字段正文

视野遮挡、手部精细操作难以捕捉，以及身体运动信息缺失等局限。对此，创维XR推出头戴设备、腕部摄像头与空间定位模块相结合的多设备协同采集方案，以获取更完整的人体动作、物体操作及环境交互数据。 硬件方面，该方案包括双目E2、六摄E6及九摄E8三款头戴式采集设备，可记录佩戴者的第一视角画面、头部运动及周围空间信息。配套腕部摄像头则用于近距离捕捉手部与工具、零部件及其他物体的交互细节，弥补头戴摄像头在精细操作场景中的视觉盲区。 此外，系统还配备支持6DoF追踪的定位模块，可将头部与手部数据统一至同一空间坐标系。据创维XR介绍，头戴设备与腕部设备通过无线方式通信，时间同步误差可控制在50微秒以内，以确保不同视角采集的动作数据在时间和空间上保持一致，为机器人模仿学习及操作模型训练提供支持。 创维XR表示，公司正将VR、XR硬件制造经验延伸至具身智能数据采集领域，并将其作为独立产品线发展。相关可穿戴采集设备已于2026年4月开始交付，截至目前累计交付超过1万台，支持客户采集的真实场景数据已达数十万小时量级。 创维XR销售副总裁Russell表示，第一视角数据采集设备与消费级XR产品在多摄像头同步、S

匹配字段正文

模型将前代系统的桌面缝合模拟拓展至临床腹腔场景。用户输入初始内窥镜画面及机械臂控制指令后，系统可连续生成器械运动与组织响应画面，支持双臂位姿、钳口开合及电外科能量等28维动作输入，并通过FlashDreams流式推理库加速运行。 性能方面，官方模型卡显示，在单块RTX PRO 6000 Blackwell工作站版GPU上，以832×480分辨率运行时，四步去噪版本生成速度为30帧/秒，两步版本可达43.2帧/秒。两步版本经过单独训练，以部分画质换取更高速度。配套代码支持录制动作回放，也可连接配备双追踪控制器的WebXR兼容头显，进行实时交互控制。 英伟达表示，该模型主要面向手术机器人策略的仿真评估、遥操作研究及合成数据生成，开发者还可利用公开的微调与蒸馏指南，将其适配至其他数据集和机器人形态。 来源：Hugging Face 官方博客（NVIDIA） 投稿/爆料：tougao@youxituoluo.com 稿件/商务合作： 林南（微信 19250561593） 加入行业交流群：林南（微信 19250561593） 元宇宙数字产业服务平台 下载「陀螺科技」APP，获取前沿深度元宇宙讯息

匹配字段正文

”，专利公开号为US20260321292A1。 根据专利描述，用户可以通过语音指令要求智能眼镜为徒步旅行制作精彩集锦。系统会将录制的视频及音频划分为多个对应片段，再通过语音识别、情绪分析及视觉理解等技术，判断哪些内容值得保留。例如，当用户在徒步过程中说出“快看那只鸟”“我们终于到了”等语句时，系统可以将对应画面识别为潜在的精彩瞬间。 此外，该技术还可结合语音情绪、背景噪声、画面中的感兴趣物体，以及来自其他智能设备的心率、视线等数据，对视频片段进行综合评分，自动筛选并按时间顺序拼接成集锦。除徒步旅行外，专利还提及篮球比赛、聚会及VR游戏等应用场景。 不过，该技术涉及对用户及周围人员声音和画面的持续采集与分析，可能引发新的隐私争议。目前，Meta尚未宣布将该技术应用于Ray-Ban Meta等现有产品，具体落地时间仍不明确。 来源：gearjunkie 投稿/爆料：tougao@youxituoluo.com 稿件/商务合作： 林南（微信 19250561593） 加入行业交流群：林南（微信 19250561593） 元宇宙数字产业服务平台 下载「陀螺科技」APP，获取前沿深度元宇宙讯息

匹配字段正文

接到的任务不同、分配方式不同，最终的等待时间与达标产出也会不同。规模化服务，需要把这些生产安排一起考虑。 模型部署完成之后，集群还需要同时应对多种业务。 多个模型共享算力，不同租户有各自的服务等级要求。短对话要及时响应，长文档处理需要更多计算与显存，离线批量任务又有完成期限。服务分布在多个机房时，还要考虑各处的容量能否协同。 简单分流可能让部分实例排起长队，其他位置的容量却没有被及时利用。长请求与批量任务相互挤压，会拖慢实时交互；超时、取消和重复计算，又会消耗资源却未形成合格交付。 TokenFleet在模型质量、服务要求与算力预算一致的条件下，通过 提高有效Token产出，降低单位有效产出的成本 。 TokenPilot在同一模型池内选择实例，FleetMind面向跨机房容量协同，SLOMax负责混合负载的准入、队列治理与容量分配，三项核心技术各有分工。 请求分给谁、任务何时进入队列、机房容量如何协同，最终都要回到同一个指标：成功完成且满足服务要求的有效Token产出。 先看请求选点。一次请求，应该发给哪个实例？ 一句短问答和一份长文档，即使都算一次请求，消耗的计算与显存也可能相差很

匹配字段正文

记忆原生值得做的具体体现。 再来一个更接近我们日常办公的 信息更新场景 。 展览原定周六下午3点，后来正式改到周日下午4点。之后又有人建议改到周一，但还没确定拍板。 要记住最后出现的日期还不够，它还得分清正式决定和随口建议，以及保留那些没变的内容。 实验在经过多轮对话后，MemT-1.0-Nano仍然 成功get ，回答出了原定时间、正式修改后的时间，并确认其他安排没有变化。 放进11项记忆基准的综合评估中，Flash和Nano的表现也同样突出。 平均得分分别为50.6和47.0，位列参与评估的参数化记忆方法 前两名 ，相比其它模型断崖式领先。 不过坦白来说，文本记忆系统整体仍有优势，尤其是在长历史的细节召回上。 MemT 1.0今天交出的，还只是记忆原生新思路的初步计算实现，但实际效果已经能和文本记忆比肩，再继续发展下去，潜力亦是无限。 那么问题来了，经验没有留在任务上下文里，模型又是从哪里把它用上的？ 这恰是MemT 1.0的 架构 重点。 MemT 1.0提供的原生路径，是先将 相关经验编码 为内部动态状态。生成后续动作时，当前查询通过 专门的记忆分支读取 该状态，再将结果与原有

匹配字段正文