MIT提出权重空间编程：前沿大模型可直接读写并生成网络权重
先了解这件事
2026年11月，麻省理工学院（MIT）研究团队提出“权重空间编程”（Weight-Space Programming），发现前沿大语言模型在无梯度与无环境反馈的情况下，具备原生读取、分析并直接修改神经网络权重的能力。实验中，GPT-6 Astra在无需传统训练与梯度下降的情况下，通过定位并修改Qwen3.5-0.8B前馈网络中约0.016%的权重，成功解决推理循环问题，使其在MATH-500测试中的得分从7.9%提升至48.1%，提升超6倍。后续报道进一步指出，该研究还展示了大模型具备从原始权重识别网络用途的能力，并能直接从零生成MinAtar小游戏网络权重（得分达517.4，超过训练5亿步的PPO基线20倍）。
AI 根据报道生成 · 2 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- AITNT · AI头条MIT 探索权重空间编程：让大模型直接修改 Qwen 权重提升数学能力
研究人员提出权重空间编程方法，让大模型在无需梯度下降和传统训练的情况下直接分析并修改神经网络权重，使 Qwen3.5-0.8B 的 MATH-500 得分从 7.9% 提升至 48.1%。该方法通过大模型诊断前馈网络中的推理循环并仅改动 0.016% 权重，同时展示了从原始权重识别网络用途以及从零编写小游戏网络权重等能力。
- IT之家 · AI 筛选MIT 提出权重空间编程：GPT-6 Astra 仅修改 Qwen3.5-0.8B 约 0.016% 权重使数学成绩提升 6 倍
麻省理工学院研究人员提出权重空间编程方法，通过让 GPT-6 Astra 在无需梯度下降的情况下直接修改 Qwen3.5-0.8B 约 0.016% 的权重，使其在 MATH-500 测试中的成绩从 7.9% 提升至 48.1%。
- 量子位精选MIT提出权重空间编程：GPT-6 Astra可直接分析并编辑Qwen3.5权重提升性能
MIT研究团队提出权重空间编程方法，让前沿大模型GPT-6 Astra在无需梯度训练的情况下直接分析并修改其他神经网络的权重。在测试中，Astra通过定位并修改Qwen3.5-0.8B前馈网络中0.016%的权重，解决了推理循环问题，将MATH-500得分从7.9%提升至48.1%。此外，Astra还能直接从零生成MinAtar小游戏网络权重，得分达517.4，超过训练5亿步的PPO基线20倍。
- Buzzing HN · 中文精选精选权重空间编程：大语言模型可直接读写神经网络权重并优化 Qwen3.5-0.8B
研究团队提出权重空间编程（Weight-Space Programming），发现前沿大语言模型在无梯度与无环境反馈的情况下，能原生读取并直接修改神经网络权重。
本事件热度走势
当前热度 36·可比范围峰值 36（11月3日 13:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。