在不使用torch.no_grad()的情况下进行原地参数更新，可以通过使用torch.Tensor.data和torch.Tensor.detach()方法来实现。下面是一个示例代码：

import torch

# 定义一个模型参数
weights = torch.randn(3, requires_grad=True)

# 定义一个原地参数更新的函数
def inplace_update(weights, lr):
    # 将梯度清零
    weights.grad.zero_()
    
    # 计算损失函数
    loss = torch.sum(weights ** 2)
    
    # 计算梯度
    loss.backward()
    
    # 原地更新参数
    weights.data -= lr * weights.grad.data

# 进行参数更新
lr = 0.1
inplace_update(weights, lr)

# 打印更新后的参数值
print(weights)

在上述代码中，我们定义了一个模型参数weights，并使用requires_grad=True将其设置为需要计算梯度的状态。然后，我们定义了一个名为inplace_update的函数，用于进行原地参数更新。在函数中，我们首先将梯度清零，然后计算损失函数和梯度，并使用weights.data -= lr * weights.grad.data进行原地参数更新。最后，我们调用inplace_update函数，并打印更新后的参数值。

需要注意的是，在不使用torch.no_grad()的情况下进行原地参数更新时，梯度计算和参数更新会影响到参数的grad属性。因此，在每次参数更新之前，需要手动将梯度清零，以避免梯度的累积。