Người dùng báo cáo Qwen 3.8 27B trên laptop có thể nhận diện trò chơi từ trọng số mô hình
Simon Willison cho biết Qwen 3.8 27B chạy trên laptop của ông có thể suy luận mạng nơ-ron chính sách được huấn luyện cho trò chơi điện tử nào chỉ bằng cách xem các trọng số dạng số của mạng. Khi sử dụng các prompt từ công trình “Sparks of Weight-Space Programming”, Qwen nhận diện đúng một trò chơi dạng Pac-Man đơn giản sau 46 phút 12 giây, với 43.506 token suy luận và độ tin cậy 72%; mô hình cũng nhận diện được Pong sau khoảng 65 phút. Mô hình chạy qua LM Studio, cần cửa sổ ngữ cảnh dài, thời gian chờ 900 giây và khoảng 17GB dung lượng cho phiên bản được nêu. Nghiên cứu gốc cho rằng các mô hình tiên tiến đôi khi có thể hiểu chức năng của trọng số mạng nơ-ron và trong một số thí nghiệm còn chỉnh sửa trọng số để cải thiện mô hình khác mà không dùng cách huấn luyện dựa trên gradient thông thường. Kết luận này vẫn gây tranh luận: các nhà phê bình cho rằng những ví dụ chỉnh sửa trọng số có thể gần với quy trình phân tích máy học thông thường hơn là khái niệm “lập trình trong không gian trọng số” mà công trình đề xuất. Nếu được xác nhận, hướng nghiên cứu này có thể giúp AI trực tiếp kiểm tra hoặc sửa các mô hình đã huấn luyện, nhưng các thử nghiệm trên laptop hiện chỉ là đánh giá cá nhân chứ chưa phải benchmark được kiểm chứng.
Các nhà phát triển và người nghiên cứu mô hình có thể thử lại bộ prompt và mô hình Qwen 3.8 27B qua LM Studio để xem LLM có nhận ra hành vi từ raw weights hay không. Tuy nhiên, đây mới là thử nghiệm cá nhân dựa trên một hướng nghiên cứu đang gây tranh luận, chưa phải bằng chứng rằng máy tính thông thường có thể tự sửa mô hình đáng tin cậy.
Đọc bài gốc