当前 AI 智能体的感知与推理能力正逐步被基础模型原生吸收，但记忆通常仍由向量数据库、检索器等外部模块承担。Metis 试图改变这一分工：不再只把记忆视为模型之外的工程组件，而是将其定义为基础模型自身可维护、可调用的一项能力。
什么是原生记忆
论文从两个角度形式化原生记忆。第一，模型骨干内部存在一个持久且动态演化的记忆状态，它可以随历史信息持续更新；第二，模型拥有原生的记忆过程，能够通过自身计算自主决定如何存储和利用信息。两者缺一不可：只有状态而没有存取过程，仍需要外部逻辑控制；只有过程而没有持续状态，则难以形成跨时段的信息积累。
作者认为，这种设计在架构统一、端到端优化和效率方面具有优势。其关键变化是把“模型加外部记忆系统”转化为一个可共同训练的整体。不过，给定摘要没有提供与传统检索增强、上下文缓存或其他外部记忆方案的量化对比，因此这些优势目前更适合视为论文提出的方向性结论。
Metis 如何维护记忆
作为作者所称的首个记忆基础模型原型，Metis 在基础模型中加入原生记忆状态，将历史信息压缩进该状态，并通过记忆注意力访问。为让模型学会相应的存储与使用过程，团队构建了大规模记忆专项训练数据，并在中期训练阶段引入多种优化目标。
它在运行阶段的设计尤其值得关注：在线记忆维护不需要梯度，更新只需一次前向计算；推理时，已学习的模型权重保持冻结，变化发生在原生记忆状态中。这意味着持续写入信息不等同于在线微调参数，也避免了每次更新都执行反向传播。摘要未完整披露记忆状态的容量、长期稳定性、遗忘策略及具体计算成本，实际扩展能力仍无法判断。
我的判断
Metis 的价值首先在于重新划定模型与智能体基础设施的边界：如果记忆可以成为模型原生状态，部分存取控制有机会进入统一训练流程，智能体架构可能因此简化。无需梯度的前向更新，也使其比持续参数微调更适合在线场景。
但它暂时不应被理解为外部记忆模块的通用替代品。原生状态是否可审计、可删除、可隔离，能否稳定保存超长历史，以及与显式检索系统相比是否真正更高效，材料都没有给出充分证据。现阶段更合理的定位，是一个值得跟踪的基础模型架构原型，而非已经验证成熟的智能体记忆方案。