依意思最接近的 9 筆
新論文提出 Weight Space Programming：讓大模型直接讀取並修改另一個較小模型的權重，繞開寫 PyTorch 程式碼、跑實驗、盯 loss 曲線的 autoresearch 流程。演示中模型能讀懂權重、按失敗軌跡一次修好 bug、用約 50 步朝指定方向改進，甚至從零寫出整套權重並超過部分獨立訓練的模型；目前已有獨立復現，但適用範圍仍限於簡單遊戲與 RL 策略。
MIT CSAIL 讓 GPT-6 Astra 直接檢查並修改 Qwen3.5-0.8B 的權重，僅改動約 0.016% 引數，就把 MATH-500 成績從 7.9% 提升到 48.1%，指令遵循能力也提升近兩倍，全程未重新訓練或使用梯度下降。團隊稱這種能力為權重空間程式設計：Astra 還能只憑權重判斷網路訓練過的遊戲、語言或生成圖形，並修復失敗策略。它也能從零編寫網路權重，在部分 MinAtar 遊戲中超過訓練 1 億步的 PPO 模型；實驗仍屬早期，規模與工具呼叫受限。
MIT 研究者讓 GPT-6 Astra 直接讀取並編輯 Qwen3.5-0.8B 的權重，只改動 0.016% 的引數、不用訓練和梯度下降，MATH-500 得分就從 7.9% 升到 48.1%，約為原來的 6 倍。這套方法被命名為 Weight-Space Programming：Astra 沿著推理迴圈定位到第 15、19 層前饋網路各 64 個輸出列，把回答觸及長度上限的比例從 93.0% 降到 33.1%，順帶把指令執行能力提高約 3 倍。
MIT CSAIL 團隊報告了早期實驗：GPT-6 Astra 能在不編寫訓練迴圈的情況下解讀並修改神經網路權重。在一項 Qwen 測試中，作者稱小幅改動權重就讓數學與指令遵循得分明顯提升，但結果仍屬初步。同一份資料裡，Andrej Karpathy 用 AI 程式設計工具做出影片庫 HackerTube，收錄 HN 讀者近二十年提到的 6,454 個 YouTube 影片，無帳號、自帶推薦。
MIT CSAIL 發現，GPT-6 Astra 能直接用自然語言讀寫神經網路權重，不依賴梯度，也不用寫訓練迴圈。它僅憑 17,253 個原始權重，就以 99% 置信度判斷出網路訓練自哪個遊戲；還能從零寫出小型遊戲網路，其表現超過用 PPO 訓練 1 億步的網路。
IBM CEO Arvind Krishna 在第三季度財報電話會上稱，開源權重模型現已能用前沿模型 10%–25% 的 token 成本實現約 90% 的效果。他回顧差距從 2024 年的 70 分對 20–30 分，縮小到 2025 年底的 70 分對 50 分，認為企業大多數任務（總結郵件、審查合同、客服應答）用便宜模型就夠。由此 IBM 看到本地部署 AI 需求升溫，稱兩三機架即可搭建，但企業缺核心、網路與 GPU 叢集調優人才；
開發者把 NES 的 6502 CPU（2A03 核心）、2KB 工作記憶體和卡帶程式 ROM 編譯進一個標準 Qwen3.5 檢查點，權重約 1GB，全部由編譯器計算而非訓練得到。執行時模型逐 token 預測 CPU 執行日誌，畫面渲染、手柄輸入和 vblank 中斷由宿主程式負責；該專案沿用 Qwenputer 的編譯器，以及其「Gated DeltaNet 狀態即機器記憶體」的做法。
Ai2 把原先基於優先順序的 GPU 排程器換成了由 GPU 時間預算、層級化公平分配和時間切片契約組成的新系統。它管理數千塊 NVIDIA H100、B200、B300，叢集規模從 88 到 1024 塊 GPU，服務約 150 名內部研究者，GPU 需求長期是供給的 2 到 3 倍。舊方案導致 GPU 蹲坑佔位、優先順序通脹（最終 100% 工作負載都標為 HIGH）以及值班工程師大量時間用於協商關閉不可搶佔任務。
無問芯穹的 GPU 運算元最佳化 Agent 框架在 NVIDIA Research 的 SOL-ExecBench 上登頂 L1 基礎運算元、L2 融合運算元、Quant 量化與 FlashInfer-Bench 推理四大賽道；在全部 235 道題中拿下 88 項單題第一，超過第二名單題第一數量的 2 倍。該系統把工作區、除錯區和評測區徹底隔離，評測容器停用網路，並用 Skills、共享記憶與統一 GPU 排程讓 Agent 完成程式碼生成、評測驗證、效能分析和策略調整的閉環。