AI记忆头部公司获亿元Pre-A轮融资，要改写大模型训练范式

2026年7月，记忆张量MemTensor（以下简称“记忆张量”）宣布完成亿元 Pre-A 轮融资。本轮融资由华为哈勃、荣耀战投、商汤国香、深创投、和玉资本共同参与，将进一步支持公司在 MemOS 记忆操作系统、记忆增强 Agent 和记忆原生通用基座模型方向的研发投入与产业落地。

本轮融资获得了来自产业方、国资平台和专业投资机构的共同支持。华为哈勃、荣耀战投、商汤国香、深创投、和玉资本的加入，覆盖了 AI 基础设施、智能终端、模型与产业应用、硬科技投资和长期技术资本等多个方向。面向下一阶段，记忆张量MemTensor 将继续推进 MemOS 记忆操作系统迭代、Agent 和记忆基础设施产品化、重点产业场景落地，以及基于记忆原生驱动的通用基座模型训练，推动长期记忆与持续学习能力进入更广泛的 AI 应用和产业系统。

记忆张量长期围绕“大模型如何具备长期记忆、经验沉淀、持续学习和可治理演化能力”这一核心技术命题展开研发。公司认为，AI 正在从一次性生成和单轮推理，进入 Agent、AI 终端、企业智能体和工业 AI 长期运行的新阶段。下一阶段 AI 系统的关键竞争，不只是模型参数更大、上下文更长或推理能力更强，而是谁能让 AI 在长期交互中持续记住任务背景、用户偏好、组织经验和历史状态。

沿着这一判断，记忆张量形成了从理论、系统到模型的递进式技术路线。2023—2024 年，公司提出 Memory³ 分层记忆理论，以明文记忆、激活记忆和参数记忆描述大模型中不同形态记忆的作用机制；2025—2026 年，公司推出 MemOS 记忆操作系统，将记忆的生产、加工、调度、分层、更新、遗忘、追溯、治理和生命周期管理工程化，服务于 Agent 和大模型的长期运行；2026 年 - 未来，公司将进一步加大对记忆原生通用基座模型的投入，构建在模型训练范式中原生引入长期记忆、持续学习、经验巩固和抗遗忘机制，形成全新的通用AI基座模型底座。

MemOS 是记忆张量在系统层的核心基础设施。它并非简单保存原始聊天记录，而是将原始交互、文档、工单、设备日志、用户偏好、任务过程和 Agent 行为轨迹，加工为关键事实、任务线索、事件链、关系网络、策略状态等可管理、可调度、可追溯、可更新、可遗忘的记忆单元。通过 MemOS，Agent 可以在长期运行中管理企业知识、用户偏好、任务经验和治理边界，让检索更快、调用更准、成本更低，体验也更稳定。

在 MemOS 的系统层基础之上，记忆张量正在进一步训练记忆原生通用基座模型。公司强调，记忆原生模型不是面向某一行业的垂类模型，也不是为现有大模型外挂一套记忆插件；其目标仍然是通用语言理解、知识问答、复杂推理、代码、多模态和任务执行等基础能力。区别在于，记忆张量希望在模型训练过程中原生引入记忆建模、持续学习、经验巩固和抗遗忘机制，使模型不仅能从大规模静态数据中学习知识，也能在长期交互和动态环境中沉淀经验、更新认知并稳定演化，彻底改变现有基座模型依赖发版的切片式训练范式。

公司正在构建的内部代号为 Metis 的记忆原生基模训练范式，正是这一方向的阶段性研发重点。Metis 取意于希腊神话中象征智慧与谋略的女神，代表一种基于长期经验、动态适应和持续演化的智能。与传统通用基座模型主要依赖大规模静态语料、参数学习和后训练对齐不同，Metis 更强调模型在长期交互和动态环境中的学习能力，希望让模型不只会“从历史数据中学习知识”，还能够围绕用户、任务、环境和组织所形成的动态经验，形成可持续更新、可长期保持、可迁移复用的记忆能力。

记忆张量认为，长上下文可以让模型看见更多历史，RAG 可以让模型查到更多资料，但这并不等于 AI 真正具备长期记忆和持续学习能力。在 Agent、AI 终端、企业智能体和工业 AI 场景中，记忆正在成为 AI 的长期状态层，承载用户偏好、企业知识、任务经验、Agent 行为轨迹和治理边界。长期智能需要的不是更长的 Prompt，而是一套能够对记忆进行形成、更新、调度、遗忘和治理的系统架构，并进一步让这些能力进入模型训练与推理过程。

本轮融资后，记忆张量将继续推进“系统层 MemOS + 模型层记忆原生基座模型”的协同路线。一方面，公司将持续完善 MemOS 的工程化能力，面向 Agent 开发者、企业智能体、AI 终端和工业 AI 场景提供可治理的长期记忆基础设施；另一方面，公司将围绕记忆写入、记忆调用、长期一致性、持续学习、抗遗忘和任务迁移等机制开展模型层研发，推动长期记忆与持续学习能力进入下一代通用 AI 基础模型的训练。

如果说大模型解决生成能力，Agent 解决执行能力，那么记忆系统解决的是 AI 长期运行所需要的状态与经验能力。记忆张量希望通过 Memory³、MemOS 和记忆原生通用基座模型，将“记忆”从应用功能推进到系统基础设施，并进一步推进到通用模型训练范式中，推动 AI 从一次性智能走向长期智能。