280B 总参数、16B 激活参数、512K 上下文、文本/视觉/语音多模态理解，系列将包含 note、jazz 与 aria 三款模型，覆盖不同层级的任务复杂度、响应速度与计算成本需求。
但更值得关注的还是两个词：Memory 和 Learning。
过去我们看 Agent，主要看它会不会调用工具、能不能操作浏览器、能不能连续完成复杂任务。
但Agent 干完一次活之后，下一次真的会更聪明吗？大多数情况下，并不会。
现在很多 Agent 也有 Memory，但更像外挂：对话摘要、用户偏好、执行历史都被存起来，下次再检索回来。模型本身并没有真正“学会”。
dots3-note 进一步探索：什么值得记？什么时候该更新？什么时候应该推翻之前的判断？
这也是 Self-Critique 的价值。
现实中的长程任务，比如旅行、装修、婚礼筹备，可能持续几周甚至几个月，期间存在各种变化。
dots 团队提出的 TEMPO，也是为了缓解长程任务里的奖励稀疏和 Credit Assignment 问题。
更有意思的是，他们还用 ARC-AGI-3 测试 Test-Time Continual Learning，获得了高分。
ARC Prize Foundation 负责人 Greg Kamradt 也转发了这个实验，并评价：“Not verified yet, but interesting.”
Agent 的竞争正在进入新阶段：过去比谁知识更多，后来比谁 Reasoning 更强，再后来比谁更会调用工具。
下一步可能会比：谁能从自己的执行经历中持续获得经验，并走入真实生活任务中，这恰巧跟的定位一致。
第一次靠探索，第二次少走弯路，第十次形成策略。
这时候，Memory 不再只是数据库，Trajectory 也不只是日志。
每一次执行，都可能成为下一次决策的学习材料。
所以 dots3-note 真正值得关注的，不是 280B，也不是 512K。
而是它在尝试让 Agent 从“会调用工具”，走向“能够从工具调用中积累经验”。
