Scaling Laws for Hypernetwork-Based Knowledge Injection in Large Language Models

• 类型：arxiv
• 标识：2607.19604
• 链接：https://arxiv.org/abs/2607.19604
• 主分类：llm-infra
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：The design decouples the hypernetwork's injection capacity from the target model's general capability, enabling, for the first time, a rigorous study of scaling laws for hypernetwork architectures, and provides the first empirically grounded scaling laws to guide hypernetworks for factual reasoning in large language models.
• OpenAlex ID：W7170162330
• OpenAlex DOI：10.48550/arxiv.2607.19604
• DOI：10.48550/arxiv.2607.19604
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2607.19604
• OpenAlex更新：2026-08-24
• 待LLM分类：否
• 成熟度：research
• 场景：knowledge injection、hypernetworks、scaling laws
• 标题中文：基于超网络知识注入的大语言模型 Scaling Laws
• TLDR中文：该设计将 hypernetwork 的注入能力与目标模型的通用能力解耦，首次实现了对 hypernetwork 架构 scaling law 的严格研究，并提供了首个基于实证的 scaling law，用以指导大语言模型中面向事实推理的 hypernetwork 设计。
• 来源文件：
• /inbox/tom/_candidates/2026-07-23-agent-rag-longcontext-candidates.json
• /inbox/tom/_candidates/2026-07-24-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]