# 无限参数大模型：把用户现场给的信息直接写进模型权重里

> 原标题：Infinite-Parameter LLMs: Generating and Adapting Weights from Live Data

- 来源：Hacker News 首页
- 发布时间：2026-09-17T16:55:14.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/57152
- 原文：https://arxiv.org/abs/2609.18842

## 摘要

arXiv 论文提出 Infinite-Parameter LLM，用紧凑超网络把运行时数据转成共享基网络的低秩调制，使前馈权重由实时数据生成而非存于固定参数库。作者对生成器隐变量维持贝叶斯信念并在线更新，使有效权重随会话演进重新推导，存储占用固定而可编译权重实际无限。论文称把运行时知识放在权重中可摊薄计算、释放上下文窗口、跨轮次保留，并给出针对上下文学习与检索的评测协议。

## 推荐理由

论文提出用紧凑超网络把运行时数据转成共享基网络的低秩调制，并在线更新生成器隐变量，让前馈权重随会话演进重新推导，为模型从实时交互中学习提供了一条不依赖提示词的路径。

## 锐评

把用户现场给的信息写进权重，这个方向我信，但论文里能落地的那部分其实是低秩调制，无限参数只是说法。超网络生成低秩增量，存储固定、权重随会话演进，这套机制跟 LoRA 微调是一路的，只是把离线训练挪到了在线推理。问题在算账，每个 token 都要过一遍超网络再合成权重，省下的 context 窗口和重复读 prompt 的算力够不够抵这笔开销，论文没给数字。我倾向于短期还是 prompt 加检索更划算，权重这条路等推理成本再降一个量级。
