HyperQ 用 64 量子比特为每个 Token 动态生成电路，小模型超过 80 亿参数模型
把量子电路做成随 Token 变化的动态模块，11 亿参数的扩散语言模型不用重训主干，就在零样本评测上追平 80 亿参数模型，提供了一条用小模型换计算结构的思路。
蒙特利尔大学、Mila 与麦吉尔团队提出 HyperQ：用一个轻量超网络，按每个 Token 的隐藏状态动态生成量子电路，并把测量结果注入 Transformer 注意力。在 64 量子比特规模下，11 亿参数模型在六项零样本任务的平均分上超过 Qwen3-8B 等 80 亿参数模型，且只需同主干 LoRA 微调数据量的十分之一。
正文摘录
.jpg)  本文作者王晓强，加拿大蒙特利尔大学（Université de Montréal）和 Mila 人工智能研究所博士生，师从刘邦教授。博士期间的主要研究方向为以记忆模型驱动的递归自我改进（RSI）作为大模型智能体的 scaling 范式。目前已在人工智能领域顶级会议 NeurIPS、ICLR、ACL、EMNLP 等发表多篇论文。 200 秒，还是一万年？2019 年，Google 使用 Sycamore 的 53 个有效量子比特完成随机电路采样，仅耗时 200 秒，并估计当时最快的超级计算机需要约一万年。IBM 随即提出质疑，认为通过优化经典模拟方法，同一任务只需约 2.5 天。这场关于“量子优越性”的争论，让量子计算的巨大潜力进入公众视野。 七年后，AI 开始直接参与量子计算实验。2026 年 9 月，OpenAI 展示了 GPT-5.6 Sol 通过 Codex，在 MIT 工程量子系统组（EQuS）的一块未校准 6 量子比特超导芯片上，自主执行测量、分析数据并优化实验参数，在信号清晰时完成一系列量子比特表征与校准任务。