Les agents d'IA conservaient la mémoire hors du modèle. Metis la met à l'intérieur.

Le raisonnement est désormais interne aux modèles d'IA, tout comme la multimodalité. La mémoire est la capacité que les agents externalisent encore. Elle vit dans des modules externes et, en pratique, cela signifie généralement une base de données vectorielle que le modèle interroge à la demande.

Pourquoi la mémoire est restée hors du modèle

Un précédent tour d'horizon publié sur ce site, consacré à trente dépôts qui alimentent la pile IA, qualifiait les bases vectorielles de couche mémoire. Il constatait que presque toutes les piles RAG ont besoin d'un store vectoriel, et cinq bases de données figuraient dans la liste. La couche de stockage n'est pas figée non plus : les moteurs les plus récents ajoutent sans cesse des algorithmes de fusion tels que le Reciprocal Rank Fusion, le standard de l'industrie insensible à l'échelle.

Selon les auteurs, tous ces progrès se situent à la périphérie. Garder la mémoire à l'extérieur signifie que le modèle ne peut pas optimiser la façon dont l'historique est compressé, stocké et récupéré, car la machinerie qui accomplit ce travail est greffée sur le modèle plutôt que d'en faire partie. C'est cette lacune que Metis vise à combler.

Metis : un état mémoire à l'intérieur du backbone

Metis, issu d'un groupe publiant sous le nom de MemTensor, est apparu sur arXiv le 29 juillet 2026 et est présenté comme le premier prototype de ce que les auteurs appellent les modèles de fondation de mémoire. La formulation comporte deux volets. Un état mémoire persistant et en évolution dynamique vit à l'intérieur du backbone du modèle. Et le modèle acquiert des procédures mémoire natives : il stocke et utilise l'information par son propre calcul, au lieu de s'appuyer sur un module externe.

Sur le plan architectural, l'information historique est compressée dans le modèle et relue par ce que les auteurs appellent l'attention mémoire. Ils ont construit des données d'entraînement spécifiques à la mémoire à grande échelle et utilisent plusieurs objectifs d'optimisation dans une phase d'entraînement intermédiaire pour enseigner ces procédures. Vient ensuite le détail opérationnel qui fait de ce projet plus qu'un slogan : la maintenance de la mémoire en ligne est sans gradient. La mise à jour de la mémoire prend un seul passage forward et, à l'inférence, les poids appris restent figés tandis que l'état mémoire lui-même est transformé par un calcul forward standard.

En clair, le modèle n'est pas réentraîné pour se souvenir et ne va pas chercher ses souvenirs dans un store. Le calcul forward est à la fois le raisonnement et la remémoration.

Cela inverse la division du travail qu'avait adoptée la pile des agents :

La partie non prouvée

Soyons précis sur ce que la publication affirme et n'affirme pas. Le résumé indique que les expériences montrent des capacités mémoire natives et promet "une analyse détaillée de ses forces, de ses limites et de ses comportements." Les chiffres n'y sont pas, du moins pas dans le résumé publié : il ne cite aucun score de benchmark, n'organise aucune comparaison directe avec les pipelines RAG et ne donne aucun chiffre sur la quantité d'historique qu'un état mémoire peut contenir. Les limites sont reconnues mais pas énumérées.

Rien de tout cela n'est un reproche adressé à un premier prototype. Les auteurs publient le projet et les checkpoints du modèle, ce qui rend possible une vérification indépendante.

Ce qui change si la mémoire devient native

Les contours du pari sont clairs. La pile des agents a traité la mémoire comme de la plomberie : les enregistrements vont dans un store et le modèle les récupère à la demande. Metis propose de traiter la mémoire comme une capacité du modèle, apprise de bout en bout. Les auteurs revendiquent trois avantages pour l'approche native : l'architecture, l'optimisation de bout en bout et l'efficacité. L'argument est structurel, et non une série de victoires sur des benchmarks.

Si l'hypothèse tient, l'étape de récupération disparaît de la boucle de l'agent, ainsi que le store vectoriel, le pipeline d'embedding et le travail d'indexation qui les maintient cohérents. Le stockage et le rappel deviennent partie intégrante du même passage forward qui effectue le raisonnement. Ce serait une architecture véritablement différente.

Le contrepoids est que la couche externe s'améliore plutôt qu'elle ne se dégrade, et que les inconnues à l'intérieur de Metis sont réelles : quelle quantité d'historique se compresse dans un état mémoire, comment le dispositif de poids figés tient sur de longs horizons et ce que contient la propre liste de limites des auteurs. Le résumé affirme que les limites existent sans les montrer. C'est la lacune honnête d'un premier pas par ailleurs audacieux.

Metis est un article et un ensemble de checkpoints, pas un produit commercialisé. Les premiers prototypes surventent systématiquement, et celui-ci a la discipline inhabituelle de reconnaître ses limites, même sans les détailler. La direction est l'histoire : les agents ont internalisé le raisonnement et la multimodalité, et la mémoire est la capacité encore greffée à l'extérieur. Si Metis a raison, la base vectorielle devient la prochaine partie de la pile IA à être absorbée à l'intérieur du modèle, un passage forward à la fois.