您的位置首页 >人工智能 >

MIT Astra 研究被质疑所谓 “爆改 Qwen 权重” 存在宣传夸大

MIT CSAIL 发布的 Astra(GPT-6 Astra)权重空间编程实验刷屏后,很快遭到圈内研究者公开质疑;原宣传主打 Astra 直接读懂、改写 Qwen3.5-0.8B 权重,仅改动 0.016% 参数,不用梯度训练,就把 MATH-500 数学准确率从 7.9% 拉到 48.1%;但质疑者指出,该实验和另外几组 “直接读权重” 的实验条件完全不一样,存在叙事混淆、过度包装,并非大家理解的 “AI 直接看懂另一个 AI 的大脑”。下面拆解原宣传、质疑要点、实验条件差异、技术边界、后续讨论。

一、核心信息清单

  • 项目名称:Sparks of Weight-Space Programming(权重空间编程)
  • 实验对象:Qwen3.5-0.8B(阿里通义千问小模型)
  • 宣传亮点:仅修改 0.016% 权重,数学能力提升约 6 倍,无反向传播、无传统微调
  • 核心质疑人:Matthew Honnibal(spaCy 作者)、Meta 研究员 Lucas Beyer 等
  • 争议核心:把不同实验的能力混在一起宣传,误导读者认为 Astra 具备统一的 “读权重改模型” 能力

二、不同实验条件对比表

实验类型操作方式真实能力
小游戏识别实验Astra 直接读取原始权重数值判断网络功能确实可以直接读取权重,无额外工具
Qwen 数学修复实验Astra 写 Python 代码,最多 50 次前向测试迭代调试权重不是直接读权重,靠代码 + 反馈试错,属于搜索优化
宣传话术统一包装成 “Astra 原生读写神经网络权重”混淆两类完全不同的实现路径

三、质疑的核心要点

  1. 在 Qwen 实验里,Astra不能直接读取原始权重理解模型,而是拿到 Python 权限,写代码、反复跑测试、观察输出反馈,迭代调整权重补丁,本质是搜索优化,不是 “读懂神经网络”。
  2. 提示词里有明确人工引导:提前指明 Qwen 的问题是推理循环卡死,限定优化方向,不是 Astra 自主发现底层缺陷,自主性被夸大。
  3. 性能提升的本质:修复 Qwen 思考模式的死循环 bug,不是让模型学到了新数学知识;模型本身原本就具备相关能力,只是输出链路被卡住。
  4. 宣传文案把小游戏实验 “直接读权重” 的能力,和 Qwen 修复实验打包讲述,给人一种一套通用能力的错觉,属于偷换实验条件。

四、技术客观边界(不是全盘否定)

这项研究依然有价值:它证明了可以用大模型充当权重调试助手,在不用梯度、不完整重训的前提下,给模型打小权重补丁做局部修复;但它距离 “AI 自主读懂、改写任意大模型权重” 的通用能力差距极大,并且在更大规模模型上能不能复现,目前没有证据。

五、小结

简单概括:Astra 不是骗局,但宣传吹得过头。MIT 团队把两组实现逻辑完全不同的实验打包营销,制造了 “AI 读懂另一个 AI 大脑” 的震撼叙事;拆解后,Qwen 优化实验是带人工提示引导、带测试反馈的代码搜索优化,并不是原生直接解析权重。

【常见问题】

问题 1:MIT Astra 所谓爆改 Qwen 权重,到底是真的还是炒作?

回答 1:Astra 确实修改了 Qwen3.5-0.8B 少量权重、数学指标上涨,但实现方式和宣传不一样,不是直接读懂权重,是靠写 Python + 多次前向反馈试错优化,宣传叙事存在夸大。

问题 2:Astra 修改 Qwen 权重,为什么被研究者质疑?

回答 2:研究者质疑它混淆了两组实验:小游戏任务可以直接读取权重,Qwen 修复任务不能直接读权重,却对外包装成一套通用的 “读脑改模型” 能力,误导大众。

问题 3:Astra 权重空间编程这个方向还有价值吗?

回答 3:有研究价值,它提供了一种无梯度、轻量打补丁调试模型的新思路,但现阶段只是小模型特定场景下的实验,远不是通用能力。

【数据来源】

[2026-11-03](Sparks of Weight-Space Programming)MIT CSAIL 官方博客

[2026-11-05](MIT 神作被锤:Astra 爆改 Qwen 权重?就吹吧)量子位

[2026-11-04](Astra can read and write weights is misleading)Matthew Honnibal 个人博客

【免责声明】

本内容基于公开博客、社区质疑内容整理,属于技术社区阶段性讨论,不代表该研究完全错误;MIT 团队也有对应的辩护观点,相关结论仍在行业讨论中,不能直接作为定论。

今日大家都在搜的词: