微软联合多所高校推出 iWSP 可解释权重空间编程方案,Claude Opus 5.5 不需要传统梯度下降、反向传播训练,直接用代码手写生成 Transformer 权重,在 13 类算法任务的隐藏测试集上全部拿到 100% 准确率,这套方案和常规大模型训练逻辑完全不一样,常规训练是喂海量数据、靠损失函数迭代更新权重,而它是由 Opus 5.5 直接构思算法逻辑、输出固定权重数值,再经过多轮评测反馈微调迭代得到可用网络;在这类算法任务里它生成的模型体积很小,中位数仅 166 个参数,具备完整可审计的特点,每一组权重对应的计算逻辑都能追溯,但这个技术现在有明显短板,只适合规则清晰的算法类任务,面对模糊、多义的自然语言任务效果很差,不能直接理解成以后所有大模型都不用训练了。
一、Opus 5.5 手写 Transformer 权重的实现步骤清单
- 设定目标任务,给 Opus 5.5 下达编写 Transformer 权重的指令
- Opus 5.5 根据任务逻辑,直接生成带权重的代码化 Transformer 网络
- 运行网络做评测,拿到任务准确率、错误样例反馈
- 根据反馈修改权重数值,一轮轮迭代优化,一般需要 30~50 轮精炼
- 验证稳定达标后输出最终模型,全程没有梯度训练流程
二、Claude 不同版本模型手写权重效果对比表
| 模型版本 | 完成同类任务中位参数量 | 特点 |
|---|---|---|
| Opus 5.5 | 166 | 参数量极小,算法任务全部满分,推理能力强 |
| Sonnet 5.5 | 41600 | 同样能完成任务,但生成网络规模大很多 |
| Haiku 5.5 | 100000 | 参数量最大,效率偏低 |
三、iWSP 方案优势与局限梳理
✅ 优势
- 跳过梯度训练,不需要海量训练数据集、高算力训练集群
- 权重逻辑可追溯、可审计,属于可解释神经网络
- 规则类算法任务参数效率极高,模型非常精简
❌ 局限
- 复杂 NLP 语言任务效果差,情感分类这类任务准确率明显下滑
- 只适合有明确数学规则的任务,无法自主涌现复杂语义能力
- 目前还停留在科研实验阶段,没有办法用来打造通用大模型
【常见问题】
问题 1:Opus 5.5 手写 Transformer 权重,需要常规训练吗?
回答 1:Opus 5.5 手写 Transformer 权重不需要梯度下降、反向传播这类常规训练,依靠 iWSP 方案直接生成权重,再根据评测反馈迭代调整,全程不走传统训练流程。
问题 2:Opus 5.5 手写 Transformer 权重后,在 13 类任务上的成绩如何?
回答 2:Opus 5.5 手写 Transformer 权重得到的网络,在 13 类算法任务的隐藏测试集全部拿到 100% 准确率,实验效果非常亮眼。
问题 3:Opus 5.5 手写 Transformer 权重的 iWSP 技术,是不是代表通用大模型以后不用训练?
回答 3:Opus 5.5 手写 Transformer 权重只是在规则清晰的算法任务上生效,面对模糊的自然语言任务表现一般,不代表通用大模型可以放弃训练,通用大模型依旧依赖海量数据训练。
问题 4:Opus 5.5、Sonnet 5.5、Haiku 5.5 手写 Transformer 权重,哪个生成的模型更小?
回答 4:Opus 5.5 手写 Transformer 权重生成的模型最小,完成任务中位参数量仅 166,远小于 Sonnet 5.5 和 Haiku 5.5。
问题 5:Opus 5.5 手写 Transformer 权重生成的网络,可解释性怎么样?
回答 5:Opus 5.5 手写 Transformer 权重是用代码直接定义权重,每一步计算逻辑都能追踪审计,对比黑盒训练出来的模型,可解释性优势很强。
【参考资料】
[2026-11-19](不用训练!Opus 5.5 直接手写 Transformer 权重,13 类任务全拿 100%)新浪财经
[2026-11-18](LLM 手写神经网络权重,iWSP 方法实验解读)AI Weekly
[2026-11-16](Opus 5.5 writes transformer weights directly)AICrier
[2026-11-16](Replicating Weight-Space Programming with Claude)arXiv
【免责声明】
以上内容整理自公开科研资讯,Opus 5.5 手写 Transformer 权重属于前沿科研实验,仅在特定算法任务验证有效,尚未商用;相关技术能力、适用边界仅为当前论文观点,不代表可以落地开发通用 AI,不构成技术选型、投资建议,完整实验细节请查阅官方论文。
