专访北大张牧涵：通过超网络与参数内学习破解大模型持续进化难题

无涯智远创始人张牧涵提出参数内学习路线，通过超网络的一次前向传播直接生成基座模型的参数更新，使大模型知识写入成本逼近推理量级。该方案将参数更新转化为可泛化的元能力，避免反复反向传播与对超长上下文的过度依赖，已验证跨语言跨领域泛化并在ICML发表成果。团队计划推进持续记忆与遗忘机制的扩展，使企业与个人在普通推理设备上即可低成本沉淀专属模型能力。