一个星期，累计消耗约 21 亿 token。目标只有一个：给推理大模型配一套记忆系统——从过去的行动和结果里学东西，需要时取回，帮下一次决策；记错了，也能被新经历纠正。这一周的投入是研究过程中的 AI 使用量，不是原型训练量。
设想的分工很清楚：记忆系统负责组织经历、维护状态，推理模型处理需要重新算的问题，算完再把结果交回记忆。灵感来自一个朴素的观察：人吃下一个馒头，就能走、跑、转弯，还能临时改主意。除了继续增加计算，能不能让已经做过的计算更有用？
早期实验很小：程序推动一个物体，观察它怎么移动，用 GRU 保存内部状态。为了验证历史真的起了作用，做了一个对照——一份保留状态，一份每步清空，结果清空状态的版本反而更准。教训很直接：给模块起一个“记忆”的名字，比证明它有用容易得多。
验证方法也定得很死：复制同一时刻的程序三份，一份保留历史，一份拿走历史，一份把历史里的线索和结果配错，其他条件全部相同，再看选择有什么不同。只看到“它读过记忆”还不够，还要追下去：它取回了哪条记录，怎样改变判断，最后有没有真正执行不同的动作。
中间走了两次偏。第一次，程序逐渐会找资源、做规划、维持模拟身体，看起来一直在进步，可它越来越像一个追逐固定目标的控制器——有的版本留着内部反馈接口，决策时却根本不读取。程序变能干了，不能记成反馈机制成功。第二次，审阅的 AI 指出普通上下文学习也能做到取回经历，项目一度停在设计阶段。后来分清了：功能成立和算法独特是两回事，先验证功能，不必先证明独特；但也不能因为功能发生了，就把它包装成新算法。
第六阶段终于有了一组能回答最初问题的结果。启用的后备版本 A2 进入熟悉场景时，先用取回的历史调整当前评价，再继续根据新经历学习。在 32 个独立测试世界中，它通过了功能验证：保留历史确实能改变后续选择，规律变了行为能够修正，自己行动得到的结果能继续改变之后的评价和选择。测试里包含了历史已经不可靠的情况，没有只挑记忆帮忙的时候。
但结果也有不好看的一面：旧记录不断被淘汰，每组只能直接取回最近几次；历史有时会让它坚持错误判断；历史再使用上，它输给了更简单的普通上下文学习器。得到的只是一个可以追踪、可以拆开检查的功能原型，证明了一些环节能工作，没有证明值得拿它替代现有的简单方法。
最新的进展是推理反馈：在 16 个开发测试世界中，计算结果确实走进了行动，预先选定的行动调整指标平均提高约 10 个百分点。但要求效果足够稳定，而不只看平均值，按事先设定的统计门槛，它仍没过关，没有进入最后确认。同样的计算结果交给普通缓存也能发挥作用，目前没有证据说明存成“内部经历”会更好。
纠错测试也出了问题：故意给程序一个错误结论，有些错误已经影响了动作，测试指标却没有识别出来。还不能说它能可靠纠错，也不能说它不能——首先要修的是测量方法。工程检查时已经发现指标不灵敏，却仍继续跑了正式开发，事先披露了问题，也不能让这个设计变得有效。
下一步是修好纠错测试：一个错误怎样进入程序，怎样影响行动，又在哪一次新观察后被修正，要能说清楚。再往后，才是把它整理成推理模型能用的记忆接口：接收经历、保留来源、更新关联、按需要取回，并处理冲突和遗忘。到那时，才有资格测试最初的愿望——它能否减少重复推理，让模型更有效地使用过去的计算。
这一个星期还没有解决大模型的记忆问题。但已经比出发时更清楚：哪些环节真的工作了，哪些只是名字好听，以及下一步应该把力气花在哪里。
文中引用的研究背景：
McClelland 等，1995：https://web.stanford.edu/~jlmcc/papers/McCMcNaughtonOReilly95.pdf
Rolnick 等，2019：https://arxiv.org/abs/1811.11682
Ramsauer 等，2021：https://arxiv.org/abs/2008.02217
Gershman 等，2017：https://elifesciences.org/articles/23763
Heald 等，2021：https://www.nature.com/articles/s41586-021-04129-3
