3月6日，腾讯混元发布了一篇名为《HY-WU (Part I): An Extensible Functional Neural Memory Framework and An Instantiation in Text-Guided Image Editing》的技术报告，提出了一种崭新的功能性记忆（functional neural memory）范式（weight unleashing），在模型推理时实时生成个性化参数，由此对不同任务/分布/样本进行个性化适应。

腾讯混元团队将HY-WU （混元无相）应用在各大开源图形编辑基模上，有效扩充了基模的功能性记忆，在图形编辑任务上普遍取得了更好的内容理解、指令遵循和生成质量。与此同时，该范式的数据效率、训练效率和推理速度也做到了真正的实用性与创新性并重。

据介绍，HY-WU （混元无相）范式从“静态参数记忆”转向“功能性记忆”，其核心在于训练一个参数生成器。在模型推理时，该系统能根据当前输入的特定条件（如图像与编辑指令），实时合成一组针对该任务的个性化参数（如LoRA权重），并将其动态注入冻结的基座模型。此举实现了“动态路由”，从根本上避免了在共享权重上的参数冲突。

在文本引导图像编辑任务的实际验证中，HY-WU展现出优异表现。基于HY-Image-3.0-Instruct模型的评测显示，其在人类主观评价（GSB）中优于多数主流开源模型，与顶级闭源模型相当。在GEdit-Bench、ImgEdit-Bench等自动化评测榜单上，其综合得分亦达到开源模型的领先水平。

• Blog: https://tencent-hy-wu.github.io

• GitHub: https://github.com/Tencent-Hunyuan/HY-WU