近期研究进展表明，扩大多模态大语言模型（Multimodal Large Language Models, MLLMs）的规模能够有效提升其在下游多模态任务中的性能。当前主流的MLLM范式，如LLaVA，通过一个静态的视觉-语言映射器（vision-language mapper）将视觉特征转换为类文本令牌（text-like tokens），从而使静态的大语言模型（LLM）通过视觉指令微调（visual instruction tuning）获得理解视觉信息的能力。尽管该方法展现出良好前景，但其采用静态参数共享的微调策略（即模型参数在训练后固定不变）在面对不同下游多模态任务时，往往限制了模型的适应性与性能表现。针对这一局限，本文提出HyperLLaVA，该方法引入对投影器（projector）与大语言模型参数的自适应微调机制，并结合动态视觉专家与语言专家，分别实现对视觉与语言模态的动态建模。这些专家模块基于HyperNetworks架构构建，能够根据视觉输入与语言上下文动态生成参数偏移量（parameter shifts），从而在两阶段训练中实现投影器与LLM的动态建模能力。实验结果表明，HyperLLaVA在多个主流MLLM基准测试中显著优于LLaVA，涵盖MME、MMBench、SEED-Bench以及LLaVA-Bench等。~\footnote{本项目开源代码可访问：https://github.com/DCDmllm/HyperLLaVA}