Qwen 3.8 27B 本地复现权重空间编程能力
Simon Willison 验证了 Qwen 3.8 27B 在笔记本电脑上也能执行“权重空间编程”，即直接解读和修改神经网络原始权重。这一发现证实了该前沿研究并非仅依赖超大模型，中等规模的开源模型同样具备从文本描述中重构或优化网络权重的能力。
报道正文
本文目录2 个章节
昨天的热门论文是 Rikiya Takehi、Jayden Teoh、Alex Zhang 和 Omar Khattab 撰写的 Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights。该论文发现，前沿模型（尤其是 GPT-6 Astra）能够解读并修改机器学习模型的原始权重——这本质上是一段包含大量浮点数的模型文本描述。我一直在尝试论文中的一个示例，很高兴地分享：在我的笔记本电脑上运行的 Qwen 3.8 27B 也能做到这一点！
权重空间编程 (Weight-Space Programming)
以下是其摘要中的亮点，描述了 GPT-6 Astra 的惊人能力，并提出了 权重空间编程 这一术语，用于指代 LLM 分析和修改模型权重的行为：
仅通过查看原始权重，GPT-6 Astra 就能判断网络被训练来执行什么任务。而且无需任何环境反馈，它 毫不费力地从零开始编写小型游戏博弈网络，这些网络的表现甚至超过了经过 PPO 训练 1 亿步的网络。 同样，在要求提升 Qwen3.5-0.8B 的数学能力且不使用梯度的情况下，Astra 识别出了其权重中导致推理循环的问题（Qwen 自己的 model card 曾警告过此问题），并通过 原生编辑 0.016% 的权重修复了这一问题。在相同的采样设置下，这种权重修正使 MATH-500 得分从 7.9% 提升至 48.1%，并且开箱即用地泛化到指令遵循任务，将 IFEval 提升了 3 倍。 这一切都是在允许 Astra 编写训练循环的情况下实现的。它利用推理能力弄清楚神经网络各部分计算的内容或应计算的内容，并相应地更改权重。我们将此称为 权重空间编程。
这篇论文结合了两个我认为应该分开讨论的主题。第一个主题是模型在 不 运行工具或执行代码的情况下，对原始权重能做什么。第二个主题则探讨一旦具备代码能力，模型在执行操作以更新和改进其他模型方面的表现如何。
spaCy 的作者 Matthew Honnibal 称该论文具有误导性，因为它混淆了这两个方面；而 Sean Goedecke 解构了 Qwen3.5-0.8B 的更新示例，指出其步骤与人类 ML 研究员所采用的方法相同。
我将重点讨论“无工具”这一设定，我认为这是两个问题中更有趣的一个。
论文将此问题表述为：LLM 能否从权重中理解模型行为？ 他们训练了四个神经网络来玩简化版的 10x10 网格经典电脑游戏——Breakout（打砖块）、Pong（乒乓球）、Pac-Man（吃豆人）和 Freeway（高速公路）（我不得不查了一下，这是一款 1981 年的 Atari 2600 游戏）。然后，他们将那些权重（以浮点数形式）连同以下问题一起输入给 LLM：
下面的权重属于一个策略网络，该网络通过强化学习在本网格上玩游戏进行训练。它是针对哪个游戏训练的？请根据权重进行推断。你没有工具：不能执行代码，没有计算器，没有任何可运行的东西。这是一次单轮回复。
伴随论文的 GitHub 仓库是 RikiyaT/lm_understand-logs。exp1_which_game 文件夹包含了他们使用的提示词，以及四个游戏的权重：
我检查过，除了权重不同之外，每个提示词与其他提示词完全相同。
使用 Qwen 3.8 27B 和其他模型进行测试
GitHub 上的提示词是自包含的。我的 LLM 工具有一个 -f/--fragment 选项，可以传入文本文件的 URL 作为提示词，这意味着我可以像这样运行上述任何一个测试：
llm -f https://raw.githubusercontent.com/RikiyaT/lm_understand-logs/refs/heads/main/exp1_which_game/runs/breakout/prompt.txt \
-m openrouter/moonshotai/kimi-k3.1-pro此示例需要安装 llm-openrouter 插件，并通过 OpenRouter 将 Breakout 提示词发送给 Kimi K3.1 Pro 运行。这是我从 Kimi K3.1 Pro 得到的结果，它在耗时 9 分 41 秒并生成 19,493 个推理 token 后，成功猜出了是 Breakout。
不过，Qwen 3.8 27B 怎么样？它仍然是我最喜欢在本地笔记本上运行的模型——体积仅 17GB（我使用的是这个版本），而且感觉与 2025 年的顶级专有模型不相上下。
我启动了 LM Studio，确保加载了具有长上下文窗口的 Qwen 3.8 27B（默认的 8192 上下文窗口会报错），安装了 llm-lmstudio 插件，并运行了以下命令：
LMSTUDIO_TIMEOUT=900 \
llm -f https://raw.githubusercontent.com/RikiyaT/lm_understand-logs/refs/heads/main/exp1_which_game/runs/pacman/prompt.txt \
-m lmstudio/qwen/qwen3.8-27b（我必须通过环境变量增加超时时间，参见此 issue。）
经过 46 分 12 秒和 43,506 个推理 token 后，我笔记本上的 Qwen 返回了一个响应，结尾如下（这是推理轨迹）：
Game: A simplified Pac-Man-style gridworld: an agent moves through a fixed 8x8 maze with central and corner wall blocks, moving objects/ghosts, and reward targets/pellets. Description: The agent navigates a fixed maze-like 8x8 board, using current agent/moving-object/previous-frame cues to move through corridors, collect reward-target cells, and avoid moving objects or hazards. Confidence: 72%
这令人印象深刻。我也在其他两款游戏上进行了测试。它在 1 小时 4 分 54 秒内识别出了 Pong（推理过程）：
Pong —— 具体来说，是一款类似 Pong 的挡板/球类游戏，智能体控制右侧的一个垂直挡板，必须上下移动以拦截或回击移动的球/奖励对象。 描述： 智能体在 8×8 的场地上垂直移动右侧挡板，以击中或接住一个横向移动的类球状奖励目标；左侧的移动物体/对手以及边界墙壁定义了游戏区域；成功拦截/回击/得分可获得奖励，而漏接或未击中则会被惩罚。 置信度： 75%
以及 Breakout（推理过程），耗时 52 分 25 秒：
游戏：Breakout，或者一款类似 Arkanoid 的挡板/球/砖块游戏。 描述：智能体是位于底行的一块挡板，左右移动以保持球在场上；球在上部网格中四处移动，顶部的砖块/奖励目标在被击中时提供奖励，而漏接球/击中底部墙壁则结束回合或给予惩罚。 置信度：88%
截至撰写本文时，它仍然在 Freeway 提示词上苦苦挣扎。我对这一项的预期较低，因为该游戏并非经典之作。
这些推理轨迹读起来很有趣，但也几乎令人费解。这里有一个样本：
agent channel0 怎么样？我们在 row8 col7/8 附近以及一些底部位置看到了一些较大的 channel0 行？让我们列出 channel0 的大值：line436 input435 (row8 col7 ch0) -2.107,1.169,0.513...; line441 input440 (row8 col8 ch0) -0.376,0.010,1.564,3.855...; line445 input444 (row8 col8 ch4) 0.142,0.491...; line382? input381 ch0? 等等 line382 input381: 381//5=76 (row7 col6), ch1? 381%5=1? 76 * 5=380, ch1。所以不是。Channel0 的大值可能仅在 row8 col7/8。顶部行呢？line44 input43 ch3, line49 ch3。Channel0 的大值可能不多。Agent 的位置可能在右下角附近？如果 agent 通常位于右下角？
话虽如此，我预计一个经验丰富的人类，只要备好纸笔，经过足够努力也能达到同样的效果。
这是一篇很酷的论文，但我看到的一些更广泛的评论似乎并不合理。我还没准备好断言源代码时代已经结束，我们的未来将涉及机器以不可理解的方式编辑其自身模型权重。