开封万能胶 腾讯HY- WU要捅模型天花板：让模型每次任务都生成个新大脑

你有没有过这样的经历开封万能胶，同样的模型，别人都在说多么好用，而你用下来不如预期。

GPT-5 刚出来的时候，benchmark 先，但大批用户吐槽它没人味。写东西僵硬，失恋安慰不如老款 GPT-4o，重度用户直接说它 " 距离成为块石头也不远了 "。

OpenAI 的应对式就是多训几个模型，写代码的、通用能力的、适对话的。

这背后藏着个根本问题：套参数做不好所有事。

过去三年，AI 行业花了几千亿美元训练大模型，参数量从几十亿卷到几千亿。但有件事很少有人停下来想：不管模型多大，微调之后，它处理每个用户请求时用的都是同套固定参数。任务多、向矛盾，这套参数就被迫在互相冲突的需求之间妥协，每件事都在折扣。

奥力斯    万能胶厂家    联系人：王经理    手机：18231788377（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区

腾讯混元团队 3 月 6 日发了篇技术报告 HY-WU，想挑战这个限制了今天大模型能力的天花板：当任务足够多样甚至互相矛盾时，不存在套参数能同时把所有事做好。这是个结构的死胡同，跟训练充不充分没关系。

如果他们的解法被验证是对的，大模型可能又要出现个新范式。

套参数服务不了所有人

预训练好的大模型是个通才，什么都懂点，但在具体任务上不够精。

要提升表现，需要在特定任务数据上再训练轮，也就是所谓的微调。全量微调要调所有参数，成本很。2022 年出现的 LoRA 换了个思路，不动原来的参数，在旁边加小组新参数，只训练这小组。参数量不到原模型的 1，果却接近全量微调，很快成了行业标配。

但 LoRA 也好，全量微调也好，都没有改变个事实：调完之后参数就固定了，所有请求共用同套。

如果你有生图经历就明白，每次运行都要加载对应的 LoRA。选错 LoRA 很容易产生不可名状的图片。

混元在报告里举了个端的例子，个模型可能要同时处理 " 修复老照片 " 和 " 做旧照片 "开封万能胶，前者让模糊变清晰，后者让清晰变模糊。套固定参数同时学这两件事，两边都凑。

报告分析了 60 种编辑任务、12000 个样本做了梯度分析去验证这个猜想，结果的确如预期，不同任务对参数的调整向经常相反，硬塞到套参数里会互相抵消。

那给每种任务单训练套参数？冲突是避了，但会过度特化，而且任务需求是穷的，每个都匹配的话，存储和管理成本撑不住。

RAG 之类的检索增强也帮不上忙，它能改变模型 " 看到了什么 "，但改变不了模型 " 怎么处理信息 "。当任务核心是变换规则而不是缺失事实时，塞再多上下文也没用。

传统法把适配理解为 " 在参数空间里找个佳点 "，但任务多样且矛盾的时候，这个点不存在。

现场生成参数

我们再来看混元的 HY-WU 是怎么做的。

传统案都是 " 静态参数记忆 "，把新知识压进个固定点，理时所有请求共用。HY-WU 换了种记忆式，报告叫它记忆，不找空间中固定的参数点，而是训练个参数生成器，每次收到具体输入，实时成套属参数，用完即弃。模型记住的不是某组固定权重，而是 " 什么条件下该生成什么样的权重 " 这个映射关系。

同样用生图举例，当模型接收到你想要老照片修复，就会训练个清、提饱和度的参数，当接收到生成老照片，则训练个对立的参数。

具体来看，HY-WU 分了三步，为了便理解，我们可以把 HY-WU 看作是个裁缝，为每个需求定制参数。

步，量体。

个视觉语言编码器同时看输入图片和文字指令，搞清楚两件事：这张图是什么样的，万能胶生产厂家用户想对它做什么。这些信息被压缩成组条件特征，相当于客人的身材数据和款式偏好。

二步，裁衣。

条件特征送入个 8B 参数的 Neural Network Transformer。这个 Transformer 跟平时见到的不太样，它输出的不是文字或图片，而是整套 LoRA 权重开封万能胶，共 0.72B 参数。

你可以理解为，它根据身材数据现场出了套裁剪案。收到 " 修复老照片 " 的请求，裁出来的是偏向增强细节的参数；收到 " 做旧照片 "，裁出来的向相反。整个过程在 80B 的基座模型上只需几秒。

三步，上身。

生成的 LoRA 插入基座模型，执行编辑。基座模型始终不动，每次理只是临时换套 LoRA，用完就丢。

HY-WU 还解决了个工程上的难点。基座模型每层的 LoRA 形状不同，论文设计了套基于 LoRA rank 的锚定切块案，把不同形状的矩阵统裁成相同大小的 token，让生成器能像处理文字序列样逐个生成参数块。

架构搞定了，接下来是怎么训练这个生成器（裁缝）。

之前的网络法有点像先让 100 个裁缝各做件样衣，收集起来当模板，再训练个新裁缝去模仿这些模板。

HY-WU 跳过了收集模板这步。训练是端到端的，生成器根据输入生成套 LoRA，装进基座做编辑，看编辑果好不好，把反馈传回来调整生成器。不需要预收集 checkpoint，不需要存储 LoRA 权重库。几百万次迭代之后，生成器从初的随机输出，慢慢摸索出了针对不同输入该生成什么样的参数。

HY-WU 的果如何

人工偏好评估里（GBS），HY-WU 对主流开源图片编辑器的胜率在 67 到 78。对闭源商业模型也有优势，对 Seedream 4.5 胜率 55.6，对 GPT Image 1.5 胜率 55.5。只是略低于 Nano Banana 系列。

跑分之外，有个问题需要回答：HY-WU 的提升到底来自哪里？是因为多了个 8B 的生成器带来了多参数，还是因为 " 根据输入定制参数 " 这个机制本身？

论文设计了两个实验来拆解这个问题。

个实验，把生成器对大量样本生成的 LoRA 全部取平均值，得到套 " 均码 LoRA"，然后固定用这套均码来处理所有请求。生成器还在，参数量个没少，但每个请求拿到的 LoRA 都样了。相当于裁缝还在，但不管谁来都给同个尺码。结果：能立刻掉回基线，跟没有 HY-WU 差不多。

二个实验，生成器照常工作，但把输入条件随机乱，A 的图片配上 B 的指令去生成 LoRA。生成器还在动态生成，但生成的参数跟实际输入对不上了。相当于裁缝还在量体裁衣，但把张三的尺寸用在了李四身上。能同样不行。

通过两个实验，验证了参数多不多不是，关键是每个输入能拿到跟自己匹配的那套参数。

改变模型发展的下个范式？

回顾大模型发展史，真正改变行业走向的技术节点并不多。

2017 年的 Transformer 架构奠定了基础。2022 年的 LoRA 解决了微调成本问题，让适配大模型不再是大厂利。MoE 破了 " 参数越多理越慢 " 的限制，通过路由机制让模型在保持大参数量的同时只激活部分。思维链让模型学会了 " 分步理 "，o1 和 R1 系列靠它在数学和编程上取得了突破进展。

这些技术有个共同点：它们各自解决了模型 " 怎么建 " 或 " 怎么想 " 的问题。但有个问题始终没人动过，模型建好之后，面对不同用户、不同任务，怎么用同套参数给出差异化的优响应？

行业的默认答案是，训多模型。大厂的模型名字只手数不过来，开源社区里 LoRA 权重库堆了几万套。

HY-WU 切入的正是这个空白。MoE 在模型内部做路由，HY-WU 在模型外部做路由。

当然，现在说 HY-WU 能达到 MoE 或思维链那样的行业影响力还为时过早。它目前只在图片编辑上验证过。而接下来他们也提出了多个未来的探索向，包括对记忆的"新旧"的处理，对容量分配的处理，能不能有通用的接口，从图片到和 Agent 的广泛的应用等。

模型的进化不只是 " 大 " 或 " 会想 "，还应该包括 " 懂得因人而异 "。如果后续能在语言模型、生成、Agent 等场景复现类似的果，它有可能成为继 MoE 之后，下个范式转换。

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述开封万能胶，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。