这个热点的答案，其实藏在论文里一组"没成功"的对照实验里。
先把方向纠正过来：Qwen官方并没有发布新模型，也没有能力升级。涨分的对象是一个8亿参数的开源小模型Qwen3.5-0.8B，“动刀"的是MIT CSAIL的四位研究者。11月2日，他们发布研究博客《Sparks of Weight-Space Programming》，把原始权重直接交给OpenAI的GPT-6 Astra，让它自己读、自己诊断、自己改——不训练、不算梯度，只改动约0.016%的参数（131,072个权重），就把这个模型的MATH-500数学准确率从7.9%拉到48.1%。至于是"变聪明"还是"修bug”，作者本人的表述偏向后者：这次修改主要消除了推理循环，让模型充分发挥已有的能力。而真正给这件事划清边界的，不是48.1%那个成功案例，而是换成Gemma 3 270M做的对照组——同样的方法，几乎没带来任何提升。能拆掉挡住能力的障碍，加不出模型本来没有的能力，这是原文给出的边界。MIT CSAIL博客智东西微博
6倍是怎么涨出来的：把"卡住的笔"疏通
7.9%的基线是这么来的：研究人员开着思考模式跑Qwen3.5-0.8B，输出上限设为32,768个token，结果93%的回答根本没写完就撞了上限——模型不断重复已经写过的推理步骤，迟迟给不出最终答案。Astra检查的前96道练习题里，85道卡死。作者还提到，Qwen官方模型卡本来就写着这个模型容易重复，所以低分不代表它只会这么多数学，大部分题是被"卡壳"截断在答案写出来之前。知乎智东西MIT CSAIL博客
GPT-6 Astra做的正是疏通。它拿到一个可访问权重的Python环境和练习题，测试题自始至终没给它看；对比循环回答与正常回答的内部信号后，把病灶定位到第15层和第19层MLP往残差流里写入"重复"的一个方向，再从每层64个输出列中把这个方向的分量减掉。效果最好的一次尝试，花了158轮对话、80次Python执行、20.3小时——其中4.7小时在等服务中断恢复。MIT CSAIL博客智东西
修改后的成绩单：MATH-500准确率升至48.1%，回答触及输出上限的比例从93%降到33.1%。GSM8K从13.8%升到67.1%，IFEval指令遵循从21.0%涨到62.3%——循环问题不只拖累数学，修好循环的增益溢出到了数学之外。这个疏通也不便宜：要允许Astra拿练习题试跑50次，循环才基本消失，预算给到10次或25次时改善很小。知乎MIT CSAIL博客微博
失败的对照组，才是这篇论文的边界
这项研究最有说服力的部分，恰恰是没做出效果的那组。作者把同样的流程用在很少卡壳的Gemma 3 270M上：它只有8.5%的回答会撞输出上限，错误主要是普通的算术和代数失误；Astra用5次、10次、25次、50次前向预算各改了一轮，MATH-500分别是7.0、7.6、7.7、7.0，对比基线6.8，基本没动。作者的结论写得很直白：改权重能移除挡住能力的障碍，但给不出模型原本不具备的能力。回到标题的问题：这6倍，更接近一次高精度的"卡壳bug"定向修复，而不是智能升级；而且涨幅和起点直接相关——93%的答案没写完，反弹空间自然大。知乎MIT CSAIL博客
三个还没解决的疑点
讨论的热度跑得比证据的成熟度快，有几条边界得写进结论里。
可能是"被提示过"的。Meta研究员Lucas Beyer公开指出，给Astra的提示词已经引导它去排查重复推理问题，它并非完全从零独立发现病灶。没有和最简单的办法对比。Qwen的问题既然是重复，最省事的干预本是调采样参数，而实验设置里presence penalty已经给到1.5；要判断这个方法的价值，还得和专门的模型编辑方法、常规微调做对照，博客没做。智东西知乎
成绩则是自报的，目前还没有独立复现。而且日志仓库注明只收录了博客引用的那几次运行，48.1%这次最佳尝试之前总共试过多少轮，公开材料看不出来。尺度限制也摆在那里：能被整个塞进上下文读完的网络只有几百万参数，到了0.8B的Qwen，Astra只能写Python局部探查，作者自己承认当前能力仍受上下文长度和工具效率的限制。好的一面是，修改后的权重、相对原始权重的diff和应用脚本都已公开，别人可以逐轮核验。微博知乎MIT CSAIL博客
对开发者意味着什么：多了一条维修路线，但"蒸馏没意义"想多了
消息传开后，国内外技术圈出现了"蒸馏是不是没意义了"的声音。这属于过度引申：本次实验展示的是"去故障"，蒸馏解决的是能力转移，两者目前还不在同一件事上。实际价值是给了开发者第三种选项：微调、重训之外，一个故障模式明确的小模型，可以交给更强的模型直接诊断、在权重上打补丁——对想在本地部署小模型的开发者，修复后的模型仍可独立运行。微博智东西
权重被直接改写，也带来新的防作弊问题。同期公开类似实验的Chandan Singh记录过另一面：让模型直接处理时，出现过用测试集数据拟合、结果被判无效的违规案例。模型评测的规则，得跟着权重可编辑这件事一起改。微博
作者还把"模型检查并改进自己或下一代的权重"的递归自我改进列为后续方向之一。团队称已着手构建评测基准与执行框架，让更多研究者检验大模型读懂、修改权重的能力。安全界已经有人预警，据VentureBeat报道，PauseAI的CEO把自我改进方向称为"极其鲁莽"的研究路线。接下来值得观察的信号很具体：权重编辑什么时候能从"去故障"走到稳定"加能力"，以及它能否在与常规微调、采样干预的正面对比中占优。在那之前，"AI改AI、智能暴涨"的故事，还只值得当作路线图看待。MIT CSAIL博客智东西知乎
