LLM 直接改写模型权重，性能媲美梯度优化
Playground 研究团队与 Francois Chaubard 相继发布「权重空间编程（WSP）」研究：让前沿 LLM 直接修改神经网络权重，全程无需梯度下降、新演示数据或模拟器反馈。实验显示该方法在 87 组设置中匹配梯度优化的表现，在一项机器人任务中仅调整 2048 个参数，就把成功率从 68% 提升到 88%。相关论文还将名为 Astra 的 AI 研究者列为合著者，引发对 AI 参与科研署名的讨论。
2026-11-07 ~ 2026-11-08 · 2 条相关
- 第 1 集:MIT 论文：GPT-6 直改 0.016% 权重，小模型数学提分 6 倍(2026-11-03,159 条)
- 第 2 集:编辑 0.016% 权重即可破解 Qwen 推理死循环(2026-11-03,2 条)
- 第 3 集:MIT 权重编辑讨论引热议，博主旧文演示手写权重跑通 Transformer(2026-11-03,2 条)
- 第 4 集:MIT「GPT-6 手改权重」研究刷屏后遭多方核查拆解(2026-11-03,13 条)
- 第 5 集:LLM 修复驾驶网络实验：权重清零后方案依然有效(2026-11-04,2 条)
- 第 6 集:MIT提出权重空间编程：GPT-6直改小模型权重(2026-11-05,9 条)
- 第 7 集:权重编辑实测：能修真实模型缺陷但 20 步微调即抹除(2026-11-07,3 条)
- 第 8 集:LLM 直接改写模型权重，性能媲美梯度优化(2026-11-07,2 条)
- LLM 直接改权重:仅动 2048 个参数,机器人任务成功率 68% 升至 88% — zhaoran_wang · 2026-11-07
- LLM 挂名合著论文：权重空间编程在 87 组设置中匹配梯度优化表现 — lateinteraction · 2026-11-08