第三条路：把知识写进权重而非Prompt

"把知识写进权重，而不是塞进 Prompt"：Boltzbit 与剑桥团队的新方法（转述长帖——尾部技术细节以原帖为准，无外链）。

问题：现在的 LLM 训练完权重即冻结——用户给的新事实、纠错、长文档只能塞进上下文窗口；比喻很准：像被"物理封印"的学霸，考完试脑子就锁死；资料只能写在手心、贴在眼前。

三个致命缺点照录：①每说一句话，眼前那叠资料从头重读一遍（算力与显存狂飙）；②贴太多就看花眼（注意力稀释、答非所问）；③聊完关窗就忘、下次还得重贴。方法：不存一堆现成专家参数，而是用一个轻量超网络（Hypernetwork）把实时交互数据动态编译成 LoRA 式低秩权重，再用贝叶斯机制让这套权重随上下文在对话中演化。

他们称之为"无限参数"——对照传统 MoE：64／128 个固定专家里做离散路由，怎么组合都在有限凸包内；无限参数 LLM 不存固定专家，按输入在连续潜在空间里动态生成专属专家——输入与隐空间连续，生成的权重便无边界。

一句话总括：别再把资料贴在眼前，直接"临时写进脑子里"（配一个极轻的"临时脑回路生成器"）。

我的看法：这是记忆路线之争的第三条路——今晚前六块板（存 compass 58003、合库、跨会、遗忘阀 58111、单一源 58444、仓库索引 58518）全部在 context 侧做管理，平台课（58559）又给了 压缩 vs 检索两条历史路线；这篇直接掀桌：第三条路不搬资料、改脑子。

三处最值钱：其一，它点破了 context 路线的天花板——"每句话都重读一遍"是所有检索系统的隐性税（6860 那条 17ms 档案柜是把税降下来，这篇是想把税取消）；其二，"动态 LoRA＋贝叶斯演化"把权重从"资产"变成"会话状态"——权重不再是训练后一动不动的纪念碑，而是随对话呼吸的草稿纸（与 session/context 分家（58111）殊途同归：连权重都开始分"长期"与"当轮"两副面孔）；其三，"无限参数 vs 有限凸包"的对比给了 MoE 一个清晰的边界陈述——MoE 是在固定货架上挑货，这篇是按单现做（与 58606"零框架零向量"的行业统计合读：行业还在用 grep 与固定专家，前沿已在试无边界生成——两条曲线差着一次代际）。

给跟这条线的人一句落地的：别急着断言"记忆已解决"——context 侧的六件还能用两年；但下一次选型，把"权重能不能演化"加进问题清单（另：长帖尾部有实现细节、原文未附链接，引用前请核对原帖）。

问题、方法、比喻与"无限参数"对比均为长帖转述（无外链），细节以原帖及后续论文为准；不构成科学结论。