HY-WU (第一部分)：一种可扩展的功能性神经记忆框架及其在文本引导图像编辑中的实例化

基础模型正从离线预测器转向需长期运行的部署系统，面临领域漂移与用户偏好演变等挑战，使持续学习与即时个性化成为核心架构需求。然而，现有方法多遵循静态权重范式，通过反复覆盖共享权重导致性能退化。本文提出 HY-WU（权重释放），一种以记忆为先的适应框架。它将功能性记忆实现为神经模块，根据实例条件动态合成权重更新，生成特定于实例的算子，无需测试时优化即可避免共享参数的干扰与妥协。