神经网络可重编程性：重塑大模型使用的核心能力

本文背景是随着预训练模型规模增长，其适配下游任务的范式发生转变。研究目的是提出“神经网络可重编程性”这一统一框架，将模型重编程、提示调优和上下文学习等方法纳入同一分析体系，探讨如何在尽量不改动模型参数的前提下最大化复用预训练模型能力。结论指出，该框架具备架构和模态无关性，通过操纵模型接口信息（输入变换和输出对齐）实现高效适配，相比传统微调方法参数效率更高，为在资源受限环境中使用大模型提供了新范式。