Weight-Space 编程测试：开源模型在 Writing Weights 任务上集体失利
eliebakouch · x · 2026-11-03
基于今日「Weight-Space Programming」文章的 Writing Weights Index 测试结果流出：让模型直接「写权重」玩游戏并按超出随机基线的程度打分，开源模型表现挣扎。
榜单要点（Index = 100·q/(1+q)，q 为相对 PPO 500M 基线的归一化得分）：
- GPT-6 Astra 以 60.7 居首，Gemini 4 Carbon（57.7）、Claude Opus 5.5（51.2）随后。
- 开源阵营差距悬殊：Qwen3.8 24T A9SB 仅 12.5，DeepSeek V4.1 Flash 10.2 仅 10.0，GLM-5.3 为 6.2，Mistral Large 4 低至 2.6。
- MiniMax M3.1 Flash（0.2）、Step 5 Preview（0.1）几乎为零， uniform random 基线为 0。
注：图中模型名为流传榜单所列，帖子未附完整方法细节。
「模型」频道最新
- 实测:新模型编造引用率从 55% 降至近零,GPT-6.1 Sol 达 0% — RexDouglass · 2026-11-03
- 苹果财报电话会暗示:或借第三方 AI 应用开辟新收入 — TechCrunch AI · 2026-11-03
- Google 发布 Gemini 4 Argon，重返前沿模型竞争 — danshipper · 2026-11-03
- 实测拆穿 Astra「0.016% 权重编程」：只是关了 Qwen 思考模式 — teortaxesTex · 2026-11-03
- 网传 astra6.2 灰度测试：20 分钟做出 3DS 风马里奥赛车 — lxfater · 2026-11-03
- 有用户感叹：Sonnet 5.5 好像不如以前聪明了 — nlarusstone · 2026-11-03