Moderne parameter-effiziente Feinabstimmungsmethoden (PEFT) wie die Low-Rank-Anpassung (LoRA) senken zwar die Kosten für die Anpassung großer Sprachmodelle (LLMs), erfordern jedoch immer noch eine separate Optimierung für jedes Downstream-Datensatz. Wir stellen \textbf{Drag-and-Drop LLMs (\textit{DnD})} vor, einen prompt-bedingten Parameter-Generator, der das pro-Aufgabe-Training durch direkte Zuordnung von wenigen unbeschrifteten Aufgabenprompts zu LoRA-Gewichtsanpassungen eliminiert. Ein leichtgewichtiger Textencoder kondensiert jede Prompt-Batch in Bedingungs-Embeddings, die dann durch einen kaskadierten Hyper-Faltungsdecoder in den vollständigen Satz an LoRA-Matrizen transformiert werden. Nach dem Training mit einer vielfältigen Sammlung von Prompt-Checkpoint-Paaren produziert DnD in Sekundenschnelle aufgabenbezogene Parameter und erreicht damit: i) bis zu \textbf{12.000-fache} geringere Overhead-Kosten als bei vollständiger Feinabstimmung, ii) durchschnittliche Leistungsverbesserungen von bis zu \textbf{30%} im Vergleich zu den stärksten trainierten LoRAs auf unbekannten Benchmarks für allgemeine Schlussfolgerungen, Mathematik, Programmierung und multimodale Aufgaben, und iii) robuste Generalisierung über verschiedene Domains hinweg, obwohl es niemals die Ziel-Daten oder -Labels gesehen hat. Unsere Ergebnisse zeigen, dass prompt-bedingte Parametergenerierung eine tragfähige Alternative zur gradientbasierten Anpassung darstellt, um LLMs schnell zu spezialisieren. Unser Projekt ist unter \href{https://jerryliang24.github.io/DnD}{https://jerryliang24.github.io/DnD} verfügbar.请注意，虽然您的要求中提到“使其更符合法语读者的阅读习惯”，但您需要的是德语翻译。因此，我在翻译时考虑了德语的表达习惯和语言风格。如果您有任何其他需求或疑问，请随时告知。