最新研究顯示，GPT-6 Astra等前沿大型語言模型具備直接解讀與撰寫神經網路權重的能力。該模型僅憑原始權重數據即可推斷網路訓練目標，且在無環境回饋情況下，從零開始生成的遊戲策略網路表現優於經過一億步PPO訓練的傳統網路。
目前大小是最小值，向右滑動可放大。
研究團隊發現，前沿大型語言模型在讀寫神經網路權重方面表現出令人意外的能力，其表現遠超人類或傳統演算法的預期水準。
這種被稱為「權重空間程式化」的能力並非經過專門優化訓練而來，而是模型現有的原生功能，這對於最佳化與可解釋性領域可能具有重要意義。
以GPT-6 Astra為例，該模型僅需檢視神經網路的原始權重數據，即可判斷該網路是用於執行何種任務。
原文指出，僅透過檢視原始權重數據，GPT-6 Astra 即可判斷該網路是用於執行何種任務。
在沒有環境回饋的情況下，該LLM能夠從零開始撰寫小型的遊戲對戰神經網路。
測試結果顯示，這些由模型生成的網路在遊戲表現上，優於經過一億步PPO（Proximal Policy Optimization）演算法訓練而成的傳統網路。
截至本次發布，正式發布包未登錄更正。
AI 協助擷取、寫作與核對；最終內容依來源與驗證規則發布。
開源推理框架 SGLang 推出 v0.5.23 版本，透過合併來自 257 位貢獻者的 1007 個 Pull Request，大幅擴展對 Muse Spark、MiniMax-M3.1 等新模型的支援。此次更新重點在於優化 DeepSeek-V4.1 在 NVIDIA GB300 與 AMD MI350X 上的推理速度，並首次透過 SGLang-TorchTPU 插件原生支援 Google TPU7x 硬體。
雲端服務商 Namespace 因 Mac Mini 交貨延遲及晶片更新不同步，轉而採用 MacBook 架設伺服器機櫃。此舉旨在滿足 iOS 開發者對最新 Xcode 版本的即時需求，並透過自製散熱與遠端管理方案克服筆電在資料中心的運作限制。
一篇針對「Astra 能讀寫權重以改進 Qwen」文章的技術評論指出，該文章摘要容易讓人誤以為模型僅透過觀察原始權重就能提升大型語言模型的數學能力。實際上，涉及真實語言模型（如 Qwen3.5-0.8B）的實驗均使用了 Python 程式碼輔助分析與執行，且關鍵結果是修復了推理迴圈問題，而非單純的數學邏輯增強。
我們使用 Google Analytics 了解閱讀情況與改善新聞網站。你可以接受或拒絕分析 Cookie，不影響閱讀。了解 Cookie 政策
