Boltzbit 称 Bayesian 自学习 Transformer 可让 LLM 学习快 1000 倍

rohanpaul_ai · x · 2026-09-25

初创公司 Boltzbit 发布预览版论文《Infinite-Parameter LLMs — Generating and Adapting Weights from Live Data》，提出 Bayesian Self-learning Transformers（BAST）方法。

核心思路：不再让模型权重保持静态、靠外挂文档/向量库/技能积累来「改进 agent」，而是把实时数据直接转化为针对性的参数更新，让经验本身修改模型。
宣称效果：BAST 的学习速度比人类设计的 SOTA 训练算法快约 1000 倍，计算需求降低约 1000 倍，从「成本高昂的静态权重 AI」转向「节能的动态权重 AI」。
经济账：外部记忆会让未来请求检索和处理更多状态，而权重适配把有用知识内化进模型本身。
待验证点：更新是否稳定、有选择性、能否泛化到产生它的交互之外——作者认为若成立，持续学习将成为架构的一部分而非 agent 的补丁。
背景：预训练文本供给预计 2-5 年内耗尽，靠更大模型堆数据的路线正触顶。

注：1000 倍为该公司自述数据，论文尚为预览版，未经验证。

「研究」频道最新