告别外挂RAG？Metis模型将记忆内化进网络状态
rohanpaul_ai · x · 2026-08-10
传统大模型依赖外部检索系统（如 RAG）来获取历史上下文，而 Metis 提出了一种原生记忆基础模型架构。它通过独立的记忆注意力路径，将历史交互直接压缩并保存在模型内部的持久化状态中，且在更新记忆时保持模型权重冻结。
模型通过中期训练学会了记忆、更新、遗忘和反思等原生记忆程序。在无上下文（no-context）测试中，Metis-27B 在 LoCoMo 基准上得分 26.74，远超普通基座模型（0.07）和临时 LoRA 方案（4.24）。
不过，该方案目前仍不及拥有完整上下文的原始模型（65.03）。其主要缺陷在于：随着固定大小的状态压缩过多信息，性能会下降，且无关记忆会干扰正常推理任务。
「模型」频道最新
- 皮查伊坦言最强模型被雪藏：AI 瓶颈是服务成本而非智力 — r0ck3t23 · 2026-08-10
- 实测 OpenAI Codex 极限：单任务死磕 4 小时烧掉 9% 周算力 — andimarafioti · 2026-08-10
- 用户抱怨当前大模型正丧失个性化表达能力 — BLUECOW009 · 2026-08-10
- 社区展望 Gemma 4.1：期待统一音频输入与百亿参数规模 — dampflokfreund · 2026-08-10
- 用 5000 份金融研文微调专属大模型,自动化工具包揽全流程 — sarahookr · 2026-08-10
- MiniMax H3 多主体视频生成翻车：不同角色声音发生串扰 — Wide-Researcher583 · 2026-08-10