Astra 改写权重实验遭质疑

1. 15:10
   量子位

   spaCy 作者 Matthew Honnibal 质疑 MIT Astra 研究：修改 Qwen 权重实验被指偷换概念

   spaCy 作者、Explosion 联合创始人 Matthew Honnibal 公开质疑 MIT 的 Astra 研究存在严重误导。

2. 15:10
   RadarAI

   MIT 团队 Astra 修改 Qwen3.5-0.8B 权重研究遭质疑

   MIT 团队称 Astra 仅修改 Qwen3.5-0.8B 的 0.016% 权重，就把数学成绩从 7.9% 提升到 48.1%，但 spaCy 作者 Matthew Honnibal 指出论文实际呈现了三项不同能力，实验条件存在概念混淆。争议焦点在于其宣传的技术路径与真实实验设置之间的差异。

1. 23:44
   RadarAI精选

   MIT 研究展示 GPT-6 Astra 可直接读写其他模型权重

   MIT 研究人员在研究博客中展示，OpenAI 的 GPT-6 Astra 能直接分析并修改其他 AI 模型的权重，无需传统训练，该方法被称为 Weight-Space Programming。

2. 23:44
   The Decoder

   GPT-6 Astra 通过权重空间编程直接改写其他模型权重

   The Decoder 报道了一项被称为 Weight-Space Programming 的研究，GPT-6 Astra 无需常规训练，直接读取和生成模型权重。

3. 00:29
   RadarAI

   Simon Willison 实测 Qwen 3.8 27B 在笔记本上从权重识别游戏

   Simon Willison 用论文 Sparks of Weight-Space Programming 的原始提示词，在笔记本上以 LM Studio 运行 17GB 的 Qwen 3.8 27B，不借助任何工具从原始权重猜出训练游戏，成功识别 Pac-Man、Pong 和 Breakout，Freeway 失败。

4. 00:29
   Simon Willison

   Qwen 3.8 27B 在笔记本上也能解读模型权重

   受论文《Sparks of Weight-Space Programming》启发，Qwen 3.8 27B 在笔记本上仅凭原始权重、无工具无代码执行，就成功识别出 Breakout、Pong 和 Pac-Man 三个游戏，分别耗时 52m 25s、1h 4m 54s 和 46m 12s，Freeway 则识别失败。

1. 20:21
   Hacker News

   质疑“Astra 能读写权重改进 Qwen”的说法具有误导性

   一篇质疑文章指出，“Astra 能读写权重改进 Qwen”的帖子把多种不同技术混为一谈。真正只读取原始权重的实验仅限 17K–172K 参数的小网络，而 Qwen3.5-0.8B 数学能力从 MATH-500 7.9% 提升到 48.1% 的结果依赖编写 Python 程序并运行最多 50 批练习题，并非“仅看原始权重”完成。

2. 14:53
   RadarAI

   Weight-Space Programming：权重空间编程与 persona vectors 的警示

   作者指出 Weight-Space Programming 与 persona vectors 存在关联，并警示所有此类权重空间编程方法本质上可能都属于“emergent misalignment”的变体。其建议读者人工研读 persona vectors 五遍，以理解这些方法的普遍性质。

3. 13:35
   RadarAI

   新论文提出 Weight-Space Programming：LLM 可直接读写神经网络权重

   Latent Space 报道的论文提出 Weight-Space Programming，让前沿 LLM 直接读取并编辑神经网络权重，无需编写 PyTorch/JAX 代码或跑训练流程。

4. 13:35
   Latent Space

   LLM 可直接读写神经网络权重，Weight-Space Programming 提出免训练权重编辑

   Takehi 等人提出 Weight-Space Programming，让前沿 LLM 从自然语言目标出发直接检查和编辑神经网络权重张量，不依赖梯度下降或训练循环。

5. 10:00
   RadarAI

   MIT CSAIL 提出权重空间编程：GPT-6 Astra 改 Qwen3.5-0.8B 约 0.016% 权重，MATH-500 提升至 6 倍

   MIT CSAIL 研究者提出「权重空间编程」，让 GPT-6 Astra 直接读取并修改 Qwen3.5-0.8B 的权重，仅调整 131072 个权重（约 0.016%），不使用梯度下降或传统训练循环，就把 MATH-500 成绩从 7.9% 提升至 48.1%，GSM8K 从 13.8% 提升至 67.1%。

6. 09:57
   量子位精选

   MIT 实验：GPT-6 Astra 直接修改 Qwen3.5 权重，MATH-500 得分提升约 6 倍

   MIT 团队让 GPT-6 Astra 直接读取并编辑 Qwen3.5-0.8B 的权重，仅改动 0.016% 的参数，MATH-500 得分就从 7.9% 升到 48.1%，指令执行能力也提高 3 倍，全程没有训练和梯度下降。

7. 08:45
   RadarAI

   MIT 提出 Weight-Space Programming：AI 可直接编辑模型权重

   MIT CSAIL 团队提出 Weight-Space Programming 方法，让大模型通过自然语言推理直接读取和修改神经网络权重。该方法可显著提升小模型性能，相关成果由 meng shao 在社交平台分享。

8. 08:35
   RadarAI

   MIT CSAIL 团队提出权重空间编程，GPT-6 Astra 直接改写 Qwen3.5-0.8B 权重

   MIT CSAIL 博士生 Rikiya Takehi 团队提出权重空间编程方法，让 GPT-6 Astra 无需训练和梯度直接读写神经网络权重。实验仅修改 Qwen3.5-0.8B 约 0.016% 的权重，MATH-500 从 7.9 涨到 48.1，GSM8K 从 13.8 涨到 67.1，指令遵循提升 3 倍。

9. 06:34
   RadarAI

   Weight-Space 编程：GPT-4 Astra 直接编辑 Qwen3.5-0.8B 权重

   报道介绍「Weight-Space 编程」方法，由 GPT-4 Astra 直接修改 Qwen3.5-0.8B 的模型权重，无需重新训练。该方法只改动 0.016% 的参数来修复推理问题，数学性能最高提升 6 倍，指令跟随能力最高提升 3 倍。

10. 06:26
    Hacker News

    LLM 并非超人：GPT-6 Astra 直接读写神经网络权重的能力被高估

    一篇论文称 GPT-6 Astra 能直接读写神经网络权重，包括识别小型网络训练的游戏，并通过原生编辑权重修复 0.8B Qwen 模型在 32k token 后陷入循环的问题。

11. 05:37
    RadarAI

    研究称 GPT-6 Astra 可直接改写 Qwen3.5-0.8B 权重提升数学能力

    Rikiya Takehi 称，团队让 GPT-6 Astra 编辑 Qwen3.5-0.8B 的权重以提升数学能力，只直接改动了 0.016% 的权重，就修复了该模型的推理循环，数学能力最高提升 6 倍、指令遵循提升 3 倍，全程无需梯度或训练。

12. 04:17
    RadarAI

    MIT 研究让 GPT-6 Astra 无需训练直接改写 Qwen3.5-0.8B 权重提升数学表现

    MIT CSAIL 研究者演示了 Weight-Space Programming：GPT-6 Astra 无需训练或梯度，直接读写神经网络权重，把 Qwen3.5-0.8B 在 MATH-500 上的成绩从 7.9% 提升到 48.1%，仅改动 0.016% 的权重。

13. 02:21
    Hacker News精选

    Astra 直接读写神经网络权重：从识别游戏策略到修复 Qwen3.5-0.8B 推理循环

    研究团队提出 Weight-Space Programming，让 GPT-6 Astra 不借助梯度下降、直接以文本形式读写神经网络权重。Astra 仅凭 17,253 个权重就能以 99% 置信度判断网络训练自哪款游戏，并在无环境反馈下一次生成击败 PPO 训练 1 亿步的 MinAtar 网络。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。