一句话：注意力是一次性缓存，Spotlight 想把它换成一块能反复写的长期记忆
Percepta 提出的 Spotlight 架构，想动的是 Transformer 最底层的假设：注意力机制每次处理输入，都要从头把全部上下文重新读一遍、重新算一遍相关性。Spotlight 的思路是，把知识放到模型外部一块可写的长期记忆里，由模型自己决定怎么索引、怎么读写，从而把「智能」（推理与行动能力）和「知识」（事实与状态）解耦。这样一来，模型能力可以在不改动权重的前提下，随着记忆里的知识增长而增长。这是一个偏底层的架构尝试，未必马上落地，但提出了一个值得跟踪的方向。
出发点：注意力的天花板，是它每次都从头读一遍
注意力机制功绩很大，但有个结构性代价：它把「知识」和「计算」绑死在一起。模型知道什么，取决于训练时写进权重的参数；要用新知识，要么重新训练，要么把整段上下文塞进窗口，让模型每次都重新算相关性。上下文越长，计算和显存开销越高，而且模型对「很早之前说过的话」的把握会随距离变弱。对需要长期记忆、跨会话连贯的智能体，这恰好是痛点——它天生健忘，因为每次都从一张白纸开始。
Spotlight 怎么做：记忆外置，模型自己当索引
Spotlight 的核心是把记忆从权重里请出来，放到一块模型可以读写的外部存储。模型不再被动接受一段固定上下文，而是主动决定：把什么写进记忆、什么时候读回来、怎么根据当前任务检索相关片段。索引由模型自己维护，意味着「该记什么、怎么找」也是模型能力的一部分，而不是预先写死的检索规则。这相当于把「笔记」从脑子里的固化印象，变成一本可以随时翻写的外置笔记本。
增量认知：能力与知识解耦，权重不再是全部
这套架构有意思的地方，是它把「我有多聪明」和「我知道多少」拆成两件可以分别演进的事。今天主流做法是：要让模型懂新东西，要么微调权重，要么把知识塞进上下文。Spotlight 指向第三条路——知识在外面长，能力在权重里稳。对长期运行的智能体，这意味着它可以在不重新训练的前提下，持续积累任务状态、用户偏好与历史结论，而推理能力本身不被频繁改动干扰。这恰好对上了智能体最缺的「长期记忆与跨会话连贯」。
类比与限定：不是数据库挂模型，而是记忆成为一等公民
需要澄清，外置记忆不是简单给模型接个向量数据库。区别在于索引权：普通 RAG 的检索规则多由人预先设计，模型被动接收召回结果；Spotlight 里模型自己决定写什么、怎么找，记忆是它主动维护的状态，而不是被动查询的外部表。当然，这仍是一个研究方向的表述，离工业级稳定还有距离。关于参数规模、训练方式、与现有后训练流程的兼容，官方及行业暂未披露更多细节。
还没回答的问题：一致性、成本与评测
把记忆外置也带来新麻烦。其一，记忆会出错、会过时、会前后矛盾，模型如何保证读到的是一致的事实，而不是某个被覆盖过的旧版本，是开放问题。其二，可写记忆的读写本身有计算与存储成本，长程任务下这笔账未必比长上下文更省。其三，这类架构的评测还没标准，怎么证明「解耦」真的带来更稳的长期表现，需要可比基准。这些问题不解决，它就还停留在有潜力的设想阶段。
结语
Spotlight 不一定会成为下一个主流架构，但它戳中了一个真实痛点：当智能体要长期在岗，把知识焊死在权重里越来越不够用。把记忆变成可写、可索引、与能力解耦的一等公民，是一条值得跟的线。至于它能不能从论文走进生产，要看一致性与成本这两关怎么过。