LLM 可直接读写神经网络权重：Weight Space Programming 引发社区对 RSI 路径的重新评估

本周行业焦点集中在 MIT CSAIL 提出的 Weight Space Programming 概念，即前沿 LLM 无需梯度下降即可直接读取和编辑神经网络的权重张量。该研究展示了通过自然语言目标修改 Qwen3.5-0.8B 的 0.016% 权重，使其在 MATH-500 上的准确率从 7.9% 提升至 48.1%，这一结果被解读为一种超越参数规模扩展和推理时扩展的新能力维度。

尽管社区对此表示惊讶，但技术讨论指出该提升主要源于修复了基线模型中的病态循环行为（token limit looping），而非赋予了通用的数学推理能力。此外，DeepSeek 发布了 Super-agent Harness 原型，采用长生命周期路由会话架构，将 p95 完成时间从 29.5 分钟降至 15.7 分钟；Qwen 团队则确认未来版本将继续坚持开源策略，并推出了针对 3D 资产生成的 GLB-3D-Coder 模型。

事实层面，GPT-6 Astra 确实参与了权重编辑实验，DeepSeek Harness 已开源，Qwen 承诺保持开源。推断层面，这种“权重空间编程”可能成为未来递归自我改进（RSI）的高效手段，但也面临通用性不足的挑战。猜测层面，关于 Anthropic Mythos 5.5 的泄露及 GPT-6.2 Astra 即将发布的消息目前仍缺乏独立验证，需警惕供应链安全风险。