超网络在 LLM 事实知识注入上呈现幂律缩放
Nischay Dhankhar · hf · 2026-07-23
这篇论文把 hypernetwork 当作一种在训练阶段向 LLM 注入事实知识的方法，研究它在大规模场景下的缩放规律。
作者的做法是：先用包含大量事实的语料训练 hypernetwork，再让它生成一个固定的 LoRA adapter，插入目标模型后，模型就能回答与这些事实相关的问题。论文还构建了一个名为 MegaWikiQA 的大规模数据集，基于 Wikidata5M 生成了覆盖 39 个领域、数千万级多跳问答样本，并系统考察 hypernetwork 的深度、宽度和目标网络规模如何影响效果。
主要结论包括：
- hypernetwork-based injection 在各个架构维度上都呈现出可预测的 幂律缩放；
- 随着规模增大，它具备更可靠的 OOD 泛化；
- 在 OOD 评测上，它的缩放指数优于 LoRA 微调和全量微调。
作者据此认为，hypernetwork 可能是一种更有原则、也更可扩展的训练时适配底座。
所属事件:NaceAI 提出超网络知识注入法，无需修改大模型权重(4 条相关)→
「研究」频道最新
- 物理学家让 AI 自选课题：两小时产出可登顶刊的论文 — burny_tech · 2026-10-27
- 研究者谈评测集透明度:组合性评测仍存数据污染隐患 — najoungkim · 2026-10-27
- 可解释性研究该分清形式与估计器：均值差转向不如直接梯度下降 — johnhewtt · 2026-10-27
- EMNLP 论文：让 LLM 换个问法，「42」变「3」但蝴蝶仍是帝王蝶 — radamihalcea · 2026-10-27
- Datology Curation Studio 线上深潜：少于 20% 算力匹配最强基线 — josh_wills · 2026-10-27
- KANLab 开源：浏览器里可视化玩转 KAN 网络 — Lukas Niehaus · 2026-10-27