Metis是中国团队推出的全球首个记忆基础模型。它和其他大模型的核心区别不在"会不会回答"，而在"能不能记住，并在记住的基础上持续成长"。Metis的记忆能力不是事后外挂上去的，而是从架构层面写进了模型底层，让记忆能力与模型能力在源头实现统一。
过去两年，大模型的推理能力一路走高，但一个被反复验证的结论也随之浮出水面：卡住AI真正走进工作与生活的，往往不是"不够聪明"，而是"记不住"。你今天跟它说过的话，明天就得重讲一遍；它帮你做过的事，换一次对话就归零。
什么是真正的原生记忆模型
市面上不少"记忆"方案，其实是外挂式。常见做法有三种：把更多历史塞进上下文窗口，靠加长窗口来"记得多"；用RAG从外部知识库取回静态片段；给用户打一堆静态标签做画像。这三种路线的共同点是，记忆是"贴上去"的，不是"长出来"的。
外挂式记忆有三个绕不开的问题：检索与推理是两套流程，中间环节无法被端到端优化；每次调用都要跑一遍完整检索，开销随历史增长；模型本身不知道自己"记住了什么"，记忆的写入、更新、遗忘全靠外部规则，无法自主演化。
Metis走的是另一条路。它提出的"原生记忆"包含两层关键定义：其一，原生记忆状态——模型内部存在一组随交互动态演化的参数，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——信息的存储、检索、更新与遗忘，不是外部规则触发的离散操作，而是融合在模型前向计算中的内生行为。模型在理解一句话的同时，就自动完成了"该记什么、该忘什么"的判断。
这也是"模型公司"和"应用公司"的分野所在：前者把记忆做进模型，后者只能把记忆补在模型外面。Metis把记忆做成了模型的底层能力，是这套能力在基座模型上的完整呈现。
从理论到架构，原生记忆是怎么实现的
Metis的架构创新建立在记忆张量团队2023年提出的Memory³分层记忆理论之上。该理论将记忆划分为参数记忆、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，随后被Google、Meta等国际团队引用跟进。
在架构实现上，Metis在Transformer层中插入Metis Block，由局部记忆块（维护动态记忆矩阵）和超参记忆块（学习信息筛选与状态更新）协同工作。记忆更新采用门控差值网络实现增量修订，新信息精细合并而非粗暴覆盖；记忆读取通过专门的记忆注意力机制，将历史状态与当前推理融合。
推理阶段，模型权重保持冻结，记忆仅通过无梯度的前向计算更新，开销极低且与历史长度无关。
Metis不是孤点，而是记忆产品矩阵的核心
Metis并非孤立存在。记忆张量围绕"记忆"形成了三层协同：底层是Metis记忆原生基座模型，解决"记忆如何内化"；中间层是MemOS记忆操作系统，解决"记忆如何调度"，已开源并实现GitHub Star超1.2万、单月调用量超5000万次；上层是面向企业多Agent协同的ClawForce和面向个人记忆管理的Mimi，解决"记忆如何落地"。
Metis与MemOS并非前后替代，而是长期智能在模型层和系统层的两条协同路线。MemOS负责外部长期状态的生产、调度与治理，Metis则把记忆的读取、写入与更新机制进一步内化到模型架构之中。两者共同构成了从理论到系统再到模型的完整技术栈。
记忆，是大模型的下一个引擎
Metis的定位，是记忆张量对"大模型该往哪走"这个问题的回答：记忆不是推理的附属，而是与推理并列的大模型第二引擎。
推理决定AI能不能把一件事做好，记忆决定AI能不能在长期相处里越做越好。Metis在记忆操作任务上的表现显著优于同类方法，配套的MemOS在LOCOMO长期记忆基准中将时序推理准确率提升159%——这是它的底座；叠加上持续演化的原生记忆，它才会在长期使用里越来越懂你。旗舰能力是底座，记忆是让它持续进化的引擎。
目前Metis已完整开源，代码、模型权重与训练评估框架一并开放，正邀请全球研究者与开发者在真实场景里把它打磨出来。从记忆到反馈、再到新行动，AI才真正转起持续进化的闭环。
回看这条产品路径，背后的判断只有一个：有记忆，AI才配做你的长期搭档。记忆，定义下一代智能。
星空人工智能技术网 倡导尊重与保护知识产权。如发现本站文章存在版权等问题，烦请30天内提供版权疑问、身份证明、版权证明、联系方式等发邮件至1851688011@qq.com我们将及时沟通与处理。！：首页 > 星空人工智能产业 > AI大模型 » Metis是什么？中国团队打造的全球首个原生记忆模型