你告诉 AI：“Bob 已经从伦敦搬到波士顿。”聊过一阵后再问住址，它要么忘了，要么得先去外部数据库翻记录。今天多数 AI Agent——能围绕目标连续查资料、调用工具并调整行动的系统——就是这样管理记忆的：模型负责思考，数据库负责记事。
Metis 想换一种做法。它不再把记忆只当成模型外面的档案柜，而是把“记住什么、何时更新、怎样调用”做进模型自身的计算过程。论文作者把这类模型称为 memory foundation model（记忆基础模型）：像普通基础模型一样，先通过大量数据学习一种通用能力，再把它迁移到不同 Agent 场景。作者称 Metis 是这一方向的首个原型；这一定位及下文效果均来自论文作者的单一信源，尚不能视为独立验证。
记忆不再只是外挂
传统外部记忆通常分成几步：把信息写入模型参数之外的存储，需要时检索相关文本，再把文本塞回提示词。论文认为，这种分工有三个问题。
第一，记忆系统和语言模型各做各的。检索器努力找“相关内容”，但相关不等于对当前回答最有用；语言模型也未必能正确利用取回的材料。第二，写入、删除、检索和拼接往往是离散操作，很难让整个流程一起训练。第三，检索、拼接和重新读取文本都会增加推理环节与延迟。
Metis 提出的“原生记忆”包含两部分。
一部分是 持久记忆状态——跨多轮互动保留、又会随新经历变化的信息状态，像一本不断修订的个人笔记。它不同于当前对话窗口里暂时可见的上下文。论文严格区分了知识和记忆：训练前获得、存进固定模型权重的是知识；互动开始后才收到、与具体经历有关的信息，才算记忆。
另一部分是 原生记忆过程。模型不再依赖外部规则分别执行“写入”“删除”和“查询”，而是在正常的前向计算中自主完成记住、忘记、更新和调用。所谓前向计算，就是输入穿过模型并产生输出的那一遍运算。推理期间，Metis 已经学到的模型权重保持冻结；变化的是专门的动态记忆状态，更新不需要梯度，也不需要现场重新训练模型。
它把过去压进一组动态参数
Metis 在 Transformer——今天语言模型常用的主干结构——内部加入了 Metis block。每个 block 又分成两部分。
local memory block（局部记忆块）保存当前的稠密记忆状态。“稠密”可以理解为：它不保存一段人能直接阅读的文字，而是把信息压缩成模型能计算的数值表示。hyper memory block（超记忆块）则负责决定怎样改写这份状态。前者像笔记本，后者像已经学会整理笔记的方法。
每轮互动结束后，超记忆块会给当前内容的重要性打分，挑出更值得保留的位置，再把它们投影成用于记忆的 key 和 value——可以粗略理解为“索引线索”和“实际内容”。这些信息随后更新进固定大小的记忆网络。
调用时，模型使用 memory attention（记忆注意力）读取过去。注意力是模型判断“当前问题应该看哪些信息”的计算机制；记忆注意力则专门让当前输入与持久记忆状态发生联系。它与处理本轮文本的普通注意力并行，最后把两路结果合并。
这一步的关键不是单纯缩短记录，而是让“怎样压缩、怎样读取”都能从数据里学。比如，“Alice 今年 24 岁”暗含记住年龄；“Bob 从伦敦搬到波士顿”暗含覆盖旧地址。作者把记忆描述成一种预测问题：信息刚出现时，系统并不知道未来会怎样问，因此必须预测哪些部分值得保存、将来会以何种方式被使用。
先教模型怎样记事
Metis 不是从头训练。团队从通用基础模型出发，在 mid-training（中期训练）阶段加入记忆专项训练。这个阶段位于通用预训练之后，目的是让模型获得新的基础能力。
论文设计了三类目标。记忆重建目标考察固定大小的状态最多能保留多少信息；记忆操作目标训练模型执行记住、忘记、更新和反思；正则化目标则用于提高复杂场景下的稳健性。
训练数据由公开数据集合成。论文列出 27 个公开 benchmark——用于统一测试模型能力的数据集——并从三个方向组织样本：记忆操作类型、指令是否明确，以及是否混入无关信息。样本按时间顺序排列，而且后面的回答必须与此前操作形成的最新状态一致。例如，更新样本会先给出旧事实，再提供新事实，最终问题只能用更新后的状态回答；反思样本则要求把多条单步事实组合起来。
这种训练设置也说明了 Metis 与 test-time training（测试时训练）的差别。后者通常为了适应当前输入，在单个序列内临时更新参数；Metis 面向多轮互动，动态状态要跨轮保留，并且模型专门学习了带语义的记忆操作。它也不同于传统 memory-augmented neural network（记忆增强神经网络）：后者通常由独立控制器读写外部记忆槽，Metis 则让记忆状态直接参与主干模型计算。
为什么值得关注
真正值得看的，不是 Metis 又做了一套记忆模块，而是它重新划定了 Agent 与记忆的边界。
如果这条路线成立，记忆就不只是工程人员在模型外面搭建的数据库、检索器和规则，而会成为一种可训练、可针对领域继续优化、也可能迁移到不同任务的基础能力。模型学习的不只是答案，还包括怎样处理时间不断流入的信息。
它在计算路径上也有明确取舍。Metis 用固定大小的状态保存历史，而不是把取回的文本不断拼回上下文。论文称，普通注意力、记忆读取和面向未来的记忆更新大体可以并行；更新只需一次前向计算。不过，这不等于已经证明低延迟、低显存或低总成本。作者没有在所给材料中提供足以支撑这些结论的端到端数字。
论文报告进行了广泛实验，并称结果显示 Metis 具备原生记忆能力；项目代码与模型 checkpoints——训练完成后保存的模型权重——也已发布。但材料没有给出可用于报道的基准分数、模型规模、训练数据量或效率提升幅度，因此目前更适合把 Metis 看作一个方向明确、实现完整的研究原型，而不是已经定型的 Agent 记忆方案。
局限与未知
- 固定大小的记忆状态必然要压缩历史。论文明确承认，任务时间拉长后会因信息损失而退化，这条路线并不等于“无限上下文”。
- 多段信息被混入同一潜在空间——模型内部不可直接阅读的数值表示——有时会发生语义混淆。训练能缓解问题，但材料没有证明长期记忆已经可靠。
- “首个 memory foundation model 原型”是作者自述，尚缺独立文献核验；论文也未在供稿范围内给出生产部署所需的延迟、显存、总计算成本和长期稳定性证据。