[CL]《SkillSmith: Learning to Compose Parametric Skills and Textual Knowledge》L M. Dery, B A Tjandra, S Samiei, A Kuncoro… [Google DeepMind] (2026)

在智能体系统领域，使模型获取新能力是一个悬而未决的难题。过去的方法受困于“文本推理”与“权重微调”的长期割裂，本质原因是缺乏一种能让模型像理解自然语言一样，直接理解并缝合模型参数（权重模态）的统一框架。

本文的核心洞见是：把模型权重（具体为Prefix-cache）重新看作一种可被LLM原生读写的“额外模态”。由此，SkillSmith这一增强架构使模型能同时摄入任务描述与对应的权重片段，通过指令引导的参数合成，直接“铸造”出解决复杂新任务的目标权重。

这项工作真正留下的遗产是证明了参数空间可以作为一种可读、可合成的语义模态存在。它为后来者打开的新门是跨模态的智能体持续学习路径，但尚未跨过的门槛是在超大规模参数模型及非Prefix-tuning架构（如全量微调）上的普适性验证。

arxiv.org/abs/2607.27497 机器学习 人工智能 论文 AI创造营