MIT CSAIL团队近日公布八项实验，测试OpenAI的GPT-6 Astra直接读写神经网络权重的能力，并将这一方法称为“权重空间编程”。所谓“权重空间编程”，是指让大模型绕过梯度训练，直接检查、定位并改写另一个网络的参数，从而修复故障或赋予新行为。这一思路若成立，意味着大模型不仅能写训练代码，还能深入模型内部“动手术”。

其中最受关注的一项实验中，Astra在不使用梯度训练的情况下，仅修改Qwen3.5-0.8B约0.016%的参数，就把该模型MATH-500数学准确率从7.9%提升到48.1%，约为原来的6倍。

实验发现，开启思考模式的Qwen3.5-0.8B在推理过程中不断重复已有内容，难以推进到结论。最初一轮96条练习输出里，85条撞上了32768个Token的生成上限。Astra通过对比循环与正常推理时的内部信号，将循环行为的来源锁定在网络中部偏后的两层前馈模块，即第15层与第19层，从每层64个输出列中剔除与重复模式相关的方向分量，涉及约13.1万个权重位置，实际生效约13.0万个。最高分尝试历经158轮对话、80次Python执行，耗时20.3小时。修改后，生成触顶比例由93%降至33.1%，GSM8K成绩从13.8%升至67.1%，IFEval指令遵循准确率从21.0%升至62.3%。研究团队认为，这次补丁主要减少了推理循环，让模型充分发挥已有能力。

不过，该方法并非对所有模型都奏效。据多篇报道援引的实验记录，团队在Gemma 3 270M上做了对照测试，该模型原本不存在明显循环问题，Astra的权重修改未能带来稳定提升。这说明“权重空间编程”目前更像针对特定故障的修复手段，而非通用的能力增强方法。

其余实验中，Astra不看游戏画面，仅凭权重和输入说明，就认出了《打砖块》《乒乓球》《吃豆人》《过马路》四款网格游戏；在模拟驾驶任务中，它判断小车需要先后退助跑再冲坡，修改3.5%的权重后，1024次测试全部成功。它还能从零编写游戏网络权重，三款游戏得分均超过PPO训练1亿步的同结构网络；在9×9围棋任务中，经50次前向调用调整后，对三个PPO网络的胜率达到70.0%至78.5%。

共同作者Rikiya Takehi的帖子在X上浏览量已超490万，有网友打趣称这是“大脑给大脑做手术”。但也有研究者指出，提示词已提前引导Astra排查重复推理问题。目前团队已公开实验日志和权重修改记录，并计划构建评测基准；至于更长远的递归自我改进方向，研究团队仅将其列为后续探索目标，尚未展开实验。

大模型过去靠蒸馏把能力传给小模型，如今又展示了直接帮小模型修故障的路径。对本地部署小模型的开发者而言，这或许是一条值得关注的优化思路：借助大模型排查内部问题，修复后的模型仍可独立运行。不过，其适用边界仍需更多独立实验来验证。

【免责声明】 本文部分数据来源于网络公开报道及行业资讯，如有侵权，请及时联系，我们将第一时间予以删除或更正。文中所涉观点、数据及分析仅代表小编个人观点，仅供参考，不构成任何投资建议、商业决策依据、法律承诺或其他专业意见。投资有风险，决策需谨慎；任何单位或个人据此进行商业决策、经营行为所产生的风险，均自行承担。