GPT-6 Astra 在 2026 年 11 月 2 日发表的研究文章中，直接改写了另一个模型的权重。麻省理工学院 CSAIL 的四名研究者让 Astra 阅读阿里巴巴开源小模型 Qwen3.5-0.8B 的原始权重，找出它做数学题时反复循环的原因，再修改其中 0.016% 的权重。同一套采样设置下，MATH-500 得分从 7.9% 升至 48.1%。这是一次有完整实验日志的研究演示，还不是通用的训练方法。
循环卡住，是这只小模型的主因
Astra 把问题定位到第 15 层和第 19 层的多层感知机，删去其中一个让模型原地打转的方向，共改动 131,072 个权重条目。改动前，93.0% 的 MATH-500 作答触及 32,768 个新 token 的上限、没能给出结果；改动后这一比例降至 33.1%。GSM8K 从 13.8% 升至 67.1%，指令遵循评测 IFEval 从 21.0% 升至 62.3%。研究者强调，收益来自挪开障碍，而不是给权重里塞进原本没有的数学知识。50 轮前向传递的最好一次跑了 20.3 小时、158 轮对话和 80 次 Python 执行，成本在搜索过程，不在那次改动本身。
读权重、写权重，Astra 还试了别的活
同一篇文章里，Astra 只看原始权重就认出了四个小网络各自练的是哪款游戏；一次无工具回复改动 3.5% 的权重，让一辆总在坡道前卡住的小车在 1,024 次测试中全部过关；从零写出的 MinAtar 游戏网络在 Breakout 一项上超过了训练 5 亿步的 PPO 网络。这些结果都来自研究者自己的评测，尚未经第三方独立复现。按公开日志重建的被改模型版本，MATH-500 测得 51.0%，方向一致，但属于另一轮单独复跑，不能和原文数字直接并列。
只对毛病明确的模型管用
对照实验划清了边界。Gemma 3 270M 很少循环，Astra 的多次改动只把 MATH-500 从 6.8% 推到 7.0% 至 7.7%，研究者称提升并不确立。Astra 也没能仅凭权重分辨两个 Gemma 模型里哪个被训练得更谄媚。48.1% 是四次取最佳的成绩，10 轮传递只有 12.3%。这项工作的价值在于证明：前沿模型已经能对权重本身做有针对性的推理式修改；它离取代梯度训练、自动修复任意大模型，还有很远的距离。
