跳到正文
arXiv cs.AI· Timo Oksanen·· 4 小时前AI 评分58

研究:GPT-6 Astra 与 Claude Fable 5.1 直接写入神经网络权重操控真实拖拉机

Weight-space programming for tractor guidance controller: large language models natively write neural network weights that steer a real tractor

AI 导读

一项 arXiv 研究将权重空间编程用于拖拉机自动导航:GPT-6 Astra 和 Claude Fable 5.1 在少量仿真评估预算下,直接读写一个 253 参数神经网络的权重,修复为另一台拖拉机训练的控制器,并从零权重写出可用控制器。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:权重空间编程是一种过程,其中大型语言模型在自然语言规范的引导下直接读写神经网络的权重,无需优化器或梯度下降。本研究将其应用于拖拉机自动导航,其中一台 253 参数的神经网络沿直线和圆弧路径转向,并且必须在机器发生变化时进行适配,例如转向执行器变慢。GPT-6 Astra 和 Claude Fable 5.1(以及 5.2)使用少量仿真评估预算,为我们的研究用拖拉机编辑该网络,以修复一个为另一台拖拉机训练的网络,并将控制器写入一个零权重的网络。我们在仿真和真实拖拉机上将其与进化策略、梯度下降和纯追踪进行了比较。两个模型都正确读取了网络,并用控制理论分析了闭环,而 Fable 在没有仿真情况下的修复仅偶尔成功。借助仿真反馈,两个模型均在单次会话中修复了训练过的网络,并从零权重写出了一个可工作的控制器,而从零开始时进化策略未能找到任何控制器。从零写出的控制器稀疏且呈经典级联结构;一个模型编辑了训练过的网络,而另一个模型替换了它。梯度下降以多得多的仿真达到了更高的精度,所有语言模型控制器都在无干预的情况下驾驶了真实拖拉机,误差与纯追踪处于同一量级。语言模型可以直接编程神经控制器的权重,就像控制工程师设计一个控制器那样。我们将此称为权重空间工程。
评论: 20 页,8 幅图,8 张表(其中 1 张在附录中);包含在真实拖拉机上的田间测试
主题: 机器学习(cs.LG);人工智能(cs.AI);机器人学(cs.RO);系统与控制(eess.SY)
引用为: arXiv:2611.21958 [cs.LG]
  (或 arXiv:2611.21958v1 [cs.LG] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.21958

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Timo Oksanen [查看电子邮件]
[v1] 2026 年 11 月 16 日星期一 22:39:25 UTC(4,671 KB)

来源:arXiv cs.AI · arxiv.org