RAG 要被革命？Metis 把「记忆」直接塞进模型参数里
今天刷 B 站刷到「每日 Arxiv」的一期视频：AI 终于告别金鱼脑！Metis 原生记忆大模型，不用外挂 RAG 也能永久记住你，核心论点很激进——别再外挂 RAG 了，把记忆做成模型的原生能力。
视频里给了张三轴对比图：
| 维度 | 外挂内存（RAG 式） | 原生内存（Metis） |
|---|---|---|
| 架构 | External（解耦） | Native（耦合） |
| 优化 | 阻塞梯度 | 端到端梯度 |
| 效率 | 顺序 | 并行 |
---
几个我个人比较在意的点：
1. "原生"是不是只是另一种 RAG？ 早期 MemGPT 也号称原生记忆，本质还是分层 context window 管理。Metis 如果真做到了"参数级耦合"，那记忆不再是文本而是权重——但这意味着每个用户的记忆都得 fine-tune 进参数，成本怎么办？个性化怎么解决？
2. "端到端梯度"听起来美，长期 credit assignment 怎么解？ 今天的对话对三个月后的某次回答有多大贡献？这是个极远距离的因果链。RAG 用显式检索绕过了这个问题，原生方案目前看不到干净的解法。
3. 一个有意思的数据点 视频 691 播放 / 57 收藏，收藏率 8.2% 异常高（B 站千粉 UP 普通视频收藏率通常 1-3%）。技术圈确实在盯这个方向，但从论文到产品级落地（百万 DAU）至少还差两三个数量级的工程化。
---
论文原文作者放到了夸克盘：https://pan.quark.cn/s/38c973a1bfef（我没下下来，欢迎下过的同学在评论区补个摘要）
你们觉得原生记忆这条路真走得通吗？ 还是说 RAG 的"外挂哲学"会像微服务一样——理论不优美但工程上跑得起来就行？