Qwen 3.8 27B 可本地解释神经网络权重

时间：2026年11月3日 地点：全球AI研究社区（论文作者分布于多所研究机构，实测由独立开发者Simon Willison完成） 人物：论文作者Rikiya Takehi、Jayden Teoh、Alex Zhang、Omar Khattab；开发者Simon Willison；OpenAI、阿里通义千问团队 事件详情：预印本论文《Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights》公开后，开发者Simon Willison于11月3日在博客中分享实测结果：开源模型Qwen 3.8 27B在本地笔记本上即可实现「权重空间编程」（Weight-Space Programming），即仅通过推理直接解读和修改神经网络原始权重，无需执行代码或梯度计算。他使用LM Studio加载17GB的Q4_K_M量化版模型，输入4个经典Atari游戏的小型策略网络原始浮点权重，模型正确识别出Breakout（88%置信度）、Pac-Man（72%）、Pong（75%），仅未识别出较冷门的Freeway。此前论文已展示OpenAI的GPT-6 Astra可完成更复杂的权重修改：仅调整Qwen3.5-0.8B模型0.016%的权重，就将MATH-500测试得分从7.9%提升至48.1%，IFEval指令遵循能力提升3倍。 背景：此前的AI模型修改权重依赖梯度下降、训练循环等传统机器学习流程，需要大量计算资源和标注数据。「权重空间编程」的概念首次提出大模型可通过纯推理直接理解权重对应的功能，甚至直接编辑权重优化模型，绕开了传统训练流程。该论文同时引发学术争议：spaCy作者Matthew Honnibal认为论文混淆了「无工具解读权重」和「带代码修改权重」两种不同能力，后者在技术上早已存在；开发者Sean Goedecke也拆解了Qwen3.5-0.8B的优化案例，认为其步骤与人类机器学习研究人员的常规操作一致。 影响：该突破意味着大模型首次具备直接操作底层模型参数的能力，为模型可解释性、自动化模型优化、小模型性能提升提供了新路径。Qwen 3.8 27B作为开源小模型即可实现该能力，大幅降低了技术门槛，普通开发者即可在消费级硬件上验证。但争议也指出，当前能力仍局限于小型简单网络，对于千亿参数级大模型的权重解读和修改尚未验证，距离「AI自动优化自身」的想象仍有距离。 总结：本次实测证明开源小模型Qwen 3.8 27B已具备基础的权重解读能力，是「权重空间编程」概念从论文到可落地的重要一步。尽管学术争议仍在，但该方向为模型可解释性和自动化优化提供了新的研究思路，消费级硬件即可运行的特性也将推动更多开发者参与相关实验。 参考来源： 论文官方博客（原始出处） https://rikiyat.github.io/blog/weight-space-programming/ Simon Willison 实测博客（首個 Qwen 3.8 27B 本地验证） https://simonwillison.net/2026/Nov/3/qwen-can-interpret-model-weights/ GitHub 开源仓库（含权重文件、提示词与实验代码） https://github.com/RikiyaT/lm_understand-logs 36氪中文报道 https://eu.36kr.com/zh/p/4053239918728070 AI Weekly 技术报道 https://aiweekly.co/alerts/simon-willison-runs-qwen-38-27b-locally-and-gets-72-88-accuracy-identifying Emergent.sh 技术报道 https://emergent.sh/news/gpt-6-astra-edits-neural-weights-directly-no