基础模型又一关键拼图，腾讯混元发布训练新范式「无相」：引入功能性记忆，打破静态权重枷锁

腾讯混元团队 投稿 量子位 | 公众号 QbitAI 学了新的，忘了旧的——大模型微调的"灾难性遗忘"难题，终于有了新解。 腾讯混元团队最新提出的 HY-WU 范式，彻底打破了静态权重的束缚。它的核心洞察是：适配新任务，不一定要改写原有参数。 在基座模型持续进化的征途中，如何平衡"通用性"与"适配性"始终是一项技术挑战。传统的微调 （Fine-tuning） 或PEFT （如LoRA） 虽然 解决了模型"学新知识"的问题，但本质上仍是在静态权重空间内的"存量博弈"——每适配一个新任务，都可能对旧有能力造成不可逆的挤压。 3月6日，腾讯混元发布了一篇名为"HY-WU (Part I): An Extensible Functional Neural Memory Framework and An Instantiation in Text-Guided Image Editing "的技术报告。提出了一种崭新的功能性记忆 （functional neural memory） 范式 （weight unleashing） ， 在模型推理时实时生成个性化参数，由此对不同任务/分布/样本进行个性化适应。 腾讯混元团队 ...