Percepta 发布 Spotlight 架构:智能与记忆分离

10 月 3 日，Christos Tzamos 团队所属初创公司 Percepta 公布新架构 Spotlight，核心主张是把「智能」与「记忆」解耦：计算模块权重固定不变，知识、技能与工作状态存放在一个可写、可无限增长的独立记忆中，模型无需重训即可增强能力。团队称这是首个访问成本不随记忆增长而上升的设计：每个 token 可读写无界记忆，但生成时只需常数工作量，后续帖子补充称模型因此无需重启或压缩历史即可持续改进。

已确认

• Spotlight 用可索引记忆取代 attention，宣称兼顾 attention 的记忆容量与固定状态循环模型的线性计算成本
• 团队通过把 Python 直接内建进 LLM 进行验证，称该架构足以承载像软件生态这样不断演化的知识体系，长上下文表现超越注意力机制
• 架构设计描述为「将注意力不断增长的记忆与容量，同固定状态循环模型的线性计算成本结合」

尚未确认

• teortaxesTex 对其效率提出质疑：虽然渐进复杂度为线性/常数，但常数因子可能相当大，因为一次记忆访问要触及 9 个单元，而每个单元都涉及注意力计算
• 该架构在实际大规模场景下的性能表现尚待独立验证

为什么重要

• 若主张成立，LLM 可在不改动权重、不需重训的前提下持续积累知识与技能，为长期运行的自主智能体提供一条可行路径
• 记忆容量与计算成本的解耦，挑战了当前长上下文依赖昂贵 attention 的主流做法，值得持续关注其后续论文与开源进展

2026-10-03 ~ 2026-10-03 · 6 条相关

• Percepta 发布 Spotlight 架构:智能与记忆分离,记忆可无限增长 — Recoil42 · 2026-10-03
• Spotlight 记忆架构：线性复杂度实现容量增长，长上下文超越注意力 — marcbhargava · 2026-10-03
• 【源头】Spotlight 新架构:不改权重也能增长记忆,生成保持常数成本 — teortaxesTex · 2026-10-03
• 【源头】Spotlight 架构引热议：注意力记忆能力配线性成本遭质疑 — teortaxesTex · 2026-10-03
• Spotlight 架构瞄准上下文上限:在模型内构建 Python 生态 — burny_tech · 2026-10-03

另有 1 条近重复转述:Recoil42