MIT称GPT-6 Astra可直接改权重提升小模型成绩
先了解这件事
MIT CSAIL团队（Takehi、Teoh、Zhang、Khattab）发布“权重空间编程”研究，称GPT-6 Astra能直接读取并修改神经网络权重，无需数据、损失函数、梯度或训练循环。在Qwen3.5-0.8B上，仅改动131,072个权重（约0.016%）并修复其推理死循环后，MATH-500从7.9%升至48.1%，IFEval从21.0%升至62.3%；另一实验中还通过改3.5%的权重修复了一条原本无法通过的策略，该方法被用于游戏策略和Go网络等场景。 研究同时给出边界：同样的方法未能在Gemma 3 270M上提升数学能力，说明移除行为障碍不等于补上模型本身缺失的能力。团队称正在构建评估权重空间编程能力的基准与测试框架。
AI 根据报道生成 · 53 分钟前更新
事件进展
2 个进展
- 11月3日 02:45 · 1 篇报道分享Astra直接编辑模型权重演示AGI Hunt：Astra 裸改 Qwen3.5-0.8B 权重：仅动 0.016% 参数，MATH-500 从 7.9% 升至 48.1%
- 11月3日 01:54 · 2 篇报道MIT发布权重空间编程研究Hacker News：GPT-6 Astra 展示直接读取和编辑神经网络权重的 Weight-Space Programming
报道时间线
沿着报道，了解事件的不同侧面。
- AGI HuntAstra 裸改 Qwen3.5-0.8B 权重：仅动 0.016% 参数，MATH-500 从 7.9% 升至 48.1%
Reddit 用户分享 Astra 的 Weight-Space Programming 演示，模型可原生读取并直接编辑神经网络权重，全程无梯度、无训练。Astra 仅修改 Qwen3.5-0.8B 的 0.016% 参数，便将 MATH-500 成绩从 7.9% 提升至 48.1%，同时提升约 3 倍指令遵循能力并修复推理死循环。
- Hacker News精选GPT-6 Astra 展示直接读取和编辑神经网络权重的 Weight-Space Programming
GPT-6 Astra 无需梯度或训练循环，即可读取、修改并生成神经网络权重，应用于游戏策略、Go网络和语言模型。修复Qwen3.5-0.8B的推理循环后，仅修改131,072个权重，即0.016%，MATH-500从7.9%升至48.1%，IFEval从21.0%升至62.3%。但该方法未能在Gemma 3 270M上提升数学能力，表明移除行为障碍不等同于增加模型本身缺少的能力。
- AGI HuntMIT 研究称 LLM 可直接改权重：仅动 0.016% 参数，MATH-500 从 7.9% 升至 48.1%
MIT CSAIL 研究团队发布 Weight-Space Programming 研究，测试前沿 LLM GPT-6 Astra 直接读取和修改神经网络权重的能力。研究称，Astra 仅编辑 Qwen3.5-0.8B 的 0.016% 权重，将 MATH-500 从 7.9% 提升至 48.1%，并使 IFEval 提升 3 倍；另一实验中，它只编辑 3.5% 权重修复了无法过线的策略。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。