没有梯度下降，没有反向传播，没有训练。这次是一个 AI，直接改了另一个 AI 的大脑。

一、一张截图，550 万次围观

11 月 2 日，MIT CSAIL 的研究员 Rikiya Takehi 在个人博客上发了一篇文章，标题叫《Sparks of Weight-Space Programming》。

一天后，中文互联网刷屏了。

因为实验本身太反常：

OpenAI 的 GPT-6 Astra，直接读取并修改了阿里巴巴 Qwen3.5-0.8B 的神经网络权重。

改了多少？131072 个参数，约占 8 亿参数的 0.016%。

MATH-500 数学基准：7.9% → 48.1%，约 6 倍

指令遵循 IFEval：21.0% → 62.3%，约 3 倍

全程没有梯度下降，没有反向传播，没有传统意义上的训练。

团队给这套方法起了个名字：Weight-Space Programming（权重空间编程，WSP）。

X 上原帖，14 个小时浏览量超过 550 万。

二、它到底做了什么？不是变魔术，是 " 开颅手术 "

先说清楚：这不是让模型凭空学会了数学。

研究团队给 Astra 提供了一个可以读写权重的 Python 环境，允许它用 GSM8K 和 MATH 训练集里的练习题做有限次数的前向推理——但不许用训练，不许用梯度，最终评测用的 MATH-500 它也看不到。

Astra 拿到权重后，做的第一件事不是瞎调参，而是诊断。

它发现：Qwen3.5-0.8B 在回答数学题时，会反复生成相同内容，绕进推理循环出不来，一路写到 32768 个 token 的上限都没给出答案。最初的 96 次测试里，有 85 次触到了这个上限。

其实 Qwen 的官方模型卡早就提醒过：这个小模型开思考模式容易陷入推理循环。

Astra 顺着这个线索往下挖，把问题定位到第 15 层和第 19 层 MLP（多层感知机）写出的一个 " 重复方向 "，然后从这两层的输出列里把这个方向减掉——总共动了 131072 个权重。

效果立竿见影：因长度上限没能完成回答的比例，从 93% 降到 33.1%。

也就是说，它没给模型补数学知识，它把模型自己身上的 " 卡壳 " 给修了。

三、最关键的一组对照：修不了的，它也修不了

真正让这个实验站得住脚的，是那组对照实验。

团队用 Gemma 3 270M 做了同样的操作。这个模型原本就很少出现推理循环。

结果呢？Astra 的局部权重修改，最多只能把它的 MATH-500 成绩从 6.8% 提到 7.7%。

研究团队据此给出结论：权重空间编程能消除模型已有能力发挥的障碍，但不一定能凭空创造原本不具备的能力。

Astra 是个极高明的 " 修车工 "，不是 " 造发动机的人 "。 车本来有劲，只是被堵住了，它能疏通。车本来就马力不足，它也没办法凭空加缸。

四、还有更让人后背发凉的部分

修模型只是实验的一半。

研究团队还做了几件事：

第一，让 Astra 纯看权重猜任务。 把四个游戏智能体的权重当成文本丢给它——不给输入输出，不给游戏名字，不让它运行网络。它准确认出了打砖块、乒乓、吃豆人、高速公路。面对三个扩散模型权重，它也能分辨出哪个生成圆形、方形、三角形。

第二，猜训练语言。 三个 720 万参数的小 Transformer，分别学 Python、罗马字日文、英文。即使只给中间层权重，把输入输出层都剥掉，Astra 仍能识别训练语料类型。

第三，从零手写权重。 不给训练数据、不给梯度，让 Astra 直接写一个游戏策略网络。它一次回复交卷，效果据说超过了训练 1 亿步的 PPO 基线。另一个实验：在小车控制网络上改 3.5% 的权重，加入 " 先后退蓄力再全速前进 " 的控制路径，成功率从 0 提到 100%。

五、但泼冷水的，也来得很快

Meta 研究员 Lucas Beyer 公开说这个项目 " 吹太过 "。

理由很具体：系统提示词里本来就已经要求排查死循环和截断问题，并禁止提前终止。换句话说，Astra 的 " 自主发现 "，很大程度上是被提示词引导出来的。

另有研究者指出，Astra 做的基本是 " 开关对照后定向清除 "。

更硬的复盘数据是：修改后多答对的 579 道题里，有 576 道原本就是零分——因为答不出而拿零分。有缺陷的模型才有得修，这也解释了为什么 Gemma 改不动。

还有人提醒：这项研究还只有博客，没有同行评审论文，没有 DOI。

六、真正的价值在哪

把兴奋和冷水都放一边，这件事的份量其实在两个地方。

第一，AI 产业最核心的一个 " 神话 " 被松动了。

过去十几年，模型变强几乎只有一条路：更多数据、更多算力、更多梯度、更多反向传播。这次实验说明，在特定场景下，直接读懂并修改权重，可能比重新训练更精准、更便宜。尤其对于 " 模型本来就会，但发挥不出来 " 这类问题，效率高得可怕。

第二，可能比性能更重要的能力：读懂权重。

大模型能直接读取权重，意味着什么？

模型审计、后门检测、能力编辑、局部修复。

这也是 Lucas Beyer 和不少研究者的共识：这项工作的真正价值不是取代训练，而是让 AI 第一次有了直接 " 读懂 " 神经网络内部的手段。能力增删、模块迁移、递归自我改进（RSI），目前都还没被充分验证，训练仍然是通用能力的核心。

有一点值得所有人记住。

这次被 " 开颅 " 的，是阿里开源的小模型。Astra 能上手改，是因为 Qwen 把权重公开了。

现在所有聚光灯都打在 "7.9% 到 48.1%" 这个数字上。但真正会在未来五年反复被提起的问题，可能是另一个——

当一个大模型可以原生读取、理解、编辑另一个模型的权重时，" 谁有权修改谁的模型 "，就不再是技术问题，而是权力问题。

MIT CSAIL 的研究人员在博客里说得很克制：模型可能将原始权重视为可读、可编辑的代码，而不是通过训练——直接诊断故障并修补它们。

这句话的野心，比那个 6 倍的数字大得多。

修好一个死循环只需要 13 万个权重。读懂一整个脑子，才刚开始。

而这一次，握手术刀的，不是人。