Infinite-Parameter LLM：从实时数据生成并适配权重

该 arXiv 预印本提出 Infinite-Parameter LLM 架构，借鉴 MoE 思路，用紧凑超网络将运行时提供的数据转化为对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。与以往只读一次上下文即冻结的权重生成器不同，该方法对生成器隐码维护贝叶斯信念并在线更新，有效权重随会话推进重新推导，存储占用固定而可编译权重近乎无限。作者称把运行时知识写入权重而非提示词可摊薄计算、释放上下文窗口、跨轮次持久并可能优于 in-context 使用，并给出针对 in-context learning 与检索的评测协议。目前仅见摘要与协议，尚无实验结果。

AI推荐理由 arXiv 预印本，作者提出 Infinite-Parameter LLM 架构：用紧凑超网络把运行时数据转成对共享基网络的低秩调制，使前馈权重由实时数据生成而非固定参数库；并对生成器隐码维护贝叶斯信念并在线更新，使有效权重随会话演化。论文给出与 in-context learning 和检索对比的评测协议。局限是仅有摘要与协议描述，尚无实验结果或代码，实际效果未验证。