超网络（Hypernetwork）是一个神经网络，它的输出不是图片、文字或分数，而是另一个神经网络的权重。换句话说，它不直接干活，而是负责“生产”干活的网络。
传统训练里，模型权重通过反向传播一点点更新，最后存成一份文件。超网络换了个思路：让一个小网络接收“任务描述”或“条件向量”，然后生成大网络的权重。大网络结构不变，只是每次用的权重由超网络现场算出来。生活化比方：大网络像一台通用机床，超网络像模具厂。你要生产杯子就下“杯子订单”，要生产齿轮就下“齿轮订单”，模具厂按订单快速做出对应模具。订单本身很小，模具也不用全部囤在仓库。
和直接微调（fine-tuning）比，省存储的关键在这里：如果 10 个任务各自微调，就要保存 10 份完整模型权重；而超网络方案通常只保存一个小型超网络，再加每个任务一个短向量或少量参数。需要哪个任务时，用短向量喂给超网络，临时生成对应权重。一个像“每个任务复印一整本书”，一个像“只存目录和排版规则，需要时再打印”。
| 方案 | 每个任务存什么 | 权重怎么来 | 特点 |
|---|---|---|---|
| 直接微调 | 一份完整权重副本 | 从原模型继续训练 | 简单，但多任务存储大 |
| LoRA（Low-Rank Adaptation） | 一小对低秩矩阵 | 原权重 + 增量 | 省存储，增量形式固定 |
| 超网络 | 小超网络 + 任务向量 | 由超网络动态生成 | 更灵活，但训练和生成有成本 |
它和元学习（meta-learning）的关系也常被混淆：元学习是“学会快速学习新任务”的大目标，超网络是实现这个目标的一种手段。它和普通条件生成模型也不同，后者输出内容，超网络输出参数。
实际意义：对从业者，超网络适合多任务适配、个性化模型、持续学习，以及参数高效微调；对普通人，未来可能一套基础模型配很多“任务卡”，切换语气、风格或专业能力时，不必下载多个完整大模型。不过它并不免费：生成大权重有计算开销，训练也更难，稳定性和效果需要具体验证。是否采用，以实际任务和官方实现说明为准。