你告诉 AI 一个新事实，它通常只能把这句话留在当前对话里；下次回答时，还得重新读一遍。Hu 等人提出的 Infinite-Parameter LLM 想换一种做法：把实时数据直接“编译”进权重——也就是决定模型如何处理输入的一组数字，让模型在使用过程中适应新知识和新要求。
它借鉴 Mixture-of-Experts（MoE，按输入调用少数“专家”模块）的思路，但不保存庞大的专家库。一个紧凑的 hypernetwork（专门生成另一套网络参数的模型）会按需产生低秩调制，即只用少量变化调整共享基础网络。更关键的一步是，系统对生成权重所需的隐藏编码维持一套 Bayesian belief（随新证据更新的概率判断），可按轮次甚至逐 token 更新。因此，模型存储体积不变，却能随会话生成不断变化的有效权重。
这里的“无限参数”并非容量真的无限，也不能替代预训练；作者明确把适应范围限定为低维、可逆的会话调整。论文给出了与提示词学习和检索对比的评测方案，但现有材料未披露实验结果，因此它目前更值得被视为一种激进的架构方向：缩放能力，未必只能继续堆固定权重。