记忆大模型开启长期智能：从外挂记忆到原生记忆的范式演进

【天极网IT新闻频道】和AI深入交流了一下午，它似乎理解了你的偏好与习惯;第二天开启新对话，一切又要从头说起——这是当前大模型应用中普遍存在的体验痛点。这一现象的背后，是大模型长期记忆能力的系统性不足。如今，一条以"记忆原生"为核心的技术路线正在为这一问题提供新的解法。

2026年7月，中国团队的《Metis: Memory Foundation Model》论文在arXiv发布并同步开源，首次系统提出记忆基础模型的架构定义、训练方法与原型实现。这一工作意味着原生记忆大模型从概念探讨进入可复现的工程化阶段，也为大模型从"一次性智能"迈向"长期智能"提供了新的技术路径。

范式之变：从外挂记忆到原生记忆

当前主流大模型的记忆主要依赖两类机制：固化在权重中的参数记忆和单轮会话内的KV缓存。这种设计在单轮问答和短对话场景中表现良好，但面对跨天、跨周的长期交互时，逐渐暴露出一些局限：上下文窗口难以承载跨周期历史;事件时序关系容易混淆;不同会话之间的信息无法自然延续;已写入的错误信息难以精准修正。

为应对这些挑战，行业先后探索了RAG(检索增强生成)等外挂式记忆方案，在一定程度上缓解了问题。但外挂方案存在天然的架构边界——检索系统与模型推理是两套独立流程，中间的检索、筛选、排序环节难以被端到端优化，且每次调用都需经历完整的检索流程，额外开销随历史规模增长。

Metis所代表的记忆原生范式，核心思路是让记忆能力内生于模型架构之中，而非依赖外部系统。这一范式包含两层关键定义：其一，原生记忆状态——模型参数随每次交互动态更新，历史信息被压缩为固定大小的紧凑状态，后续查询无需重放原始文本;其二，原生记忆过程——存储与调用融合在模型前向计算过程中，信息在被理解的同时自然完成写入，无需额外触发环节。

推理阶段，模型权重保持冻结，记忆仅通过前向计算更新，开销极低且与历史长度无关。这并非对传统大模型的否定，而是在其基础上的认知能力延伸——传统大模型解决了"理解与生成"的问题，记忆原生大模型进一步回答了"积累与演进"的问题。

技术理念：理论、架构、验证的完整闭环

Metis的技术理念建立在从理论到架构再到验证的完整科学闭环之上。

理论层面，记忆张量团队提出的Memory3(忆3)分层记忆框架将记忆系统划分为参数记忆、激活记忆和明文记忆三类，系统阐释了不同记忆形态在读写效率与更新成本上的权衡关系。相关成果在Patterns、ACL、KDD等*期刊和会议发表近80多篇。

架构层面，Metis在Transformer层中引入Metis Block模块，由局部记忆块(维护动态记忆矩阵)和超参记忆块(控制读写策略)协同工作。局部记忆块负责存储跨交互步骤的密集表示，超参记忆块则学习token选择、记忆键值投影、专用记忆查询以及状态更新流程。记忆更新采用门控差值网络(GDN)实现增量式修订，新信息精细合并而非粗暴覆盖;记忆读取通过记忆注意力机制，将历史状态与当前注意力分支融合。

为训练模型正确使用原生记忆，研究团队构建了约4亿Token的专用数据集，覆盖"记住、遗忘、更新、反思"四类操作及多种抗干扰场景，并设计了记忆重建、记忆操作、正则化三种互补的训练目标，通过课程采样从基础到复杂逐步推进。

验证层面，实验数据显示Metis在无上下文条件下的记忆操作任务中，表现显著优于Temp-LoRA、δ-Mem等同类方法;由记忆张量开源的MemOS记忆操作系统在LOCOMO长期记忆基准测试中，将时序推理准确率从0.2825提升至0.7321，增幅达159%，同时Token开销降低60%以上。

开源回响：从学术社区到产业落地的快速渗透

Metis与MemOS的开源，迅速在国内外开发者社区引发连锁反应，推动记忆AI从论文中的架构设想走向可部署的工程实践。

在GitHub上，MemOS的Star数已破万，累计部署超过8万次。由记忆张量联合上海交大、北大、人大等高校发起的OpenMem社区，短短时间内汇聚了1.7万名开发者，其中约千人来自大型企业，围绕记忆资源标准、多模态记忆、记忆幻觉消除等前沿课题展开协作。