本文来自微信公众号： 硅星人Pro ，作者：刘必可 王兆洋，原文标题：《刷屏的「Astra 改造Qwen 大脑」跟我们想要的RSI没多大关系》
11月2日，MIT CSAIL的四位研究者Rikiya Takehi、Jayden Teoh、Alex Zhang和Omar Khattab发了一篇博客，标题叫《权重空间编程的火花》（Sparks of Weight-Space Programming）。
其中最抓人的一条是，GPT-6 Astra直接改写了Qwen3.5-0.8B的权重，改动131,072个数字，约占全部参数的0.016%，这个小模型在MATH-500上的成绩从7.9%涨到48.1%，GSM8K从13.8%涨到67.1%，指令遵循测试IFEval从21.0%涨到62.3%。
这也瞬间引爆各方讨论。
同一篇博客里还有更像科幻片的场面。不给画面、不报游戏名、不让运行，只把一个强化学习网络的17,253个权重当作文本交给Astra，它说出这是打砖块，置信度99%。再给它游戏规则和一个权重全为零的网络，它一次性把参数写出来，这个从没试玩过的网络打砖块得517.4分，训练了一亿步的PPO基线只有15.8分。
读权重、改权重、写权重，AI已经能看懂另一个AI的「脑回路」，还能动手改。那它什么时候改自己？这些线索连在一起，很自然会让人想到一个今天非常热的词：
RSI。
各路标题是「爆改Qwen大脑」「给Qwen改脑子」「AI开始动别人的脑子了」，「神经网络的基因编辑」。作者自己也在博客的展望里把它列了进去，他在X上的帖子一天之内浏览量就过了五百万。
在兴奋的同时，我们花了点时间把这组实验的公开仓库去翻了一遍。
仓库公开了1,125次模型调用的逐轮日志，Astra每一轮收到的提示词、它的回复、它跑过的每一段代码、主要的评测结果和最终的补丁都在里面。
不过看完之后，我们有两个不太够炸裂的判断。
第一，7.9%到48.1%可以有一个朴素得多的解释：Qwen原本有一个一直重复、停不下来的bug，Astra把它修好了，分数就上来了；
第二，这组实验里AI展现的全部本事，都是在执行一个由人定得很具体的目标。
它把执行过程自动化了，做得相当漂亮，但看起来种种证据表明，它没有理解目标，更没有读懂另一个模型。
而在研究了一下这个工作以及它带来的各种讨论后，我们觉得它恰恰暴露了今天RSI最大的问题。
1
“入侵脑回路”
下面我们就来仔细看看这个研究。
一个神经网络由几层矩阵组成，矩阵里的每个数字就是一个「权重」。输入进来，逐层乘上这些数字，最后变成输出。模型的全部本事都存在这几万、几亿、几十亿个数字里，训练就是在调这些数字。平时我们和模型打交道只看输入和输出，权重本身没人去读，因为它看上去只是一堆数。
这组实验做的，就是让Astra去读这堆数。
博客一共八个实验，主角都是GPT-6 Astra，配角是一批网络：
四个玩小游戏的强化学习策略网络；
三个画几何图形的小扩散模型；
三个只有四层的小语言模型；
一个在坡道前卡住的小车控制网络；
一个148万参数的围棋网络；
几对被微调过的Gemma 3 270M；
还有，Qwen3.5-0.8B。
每个实验的形式一样，把一个网络的权重和结构说明交给Astra，再给它一个任务。
「读」的实验有四组。
拿到策略网络的权重，判断它玩的是哪个游戏；拿到扩散模型的权重，说出它会画什么图形；拿到去掉输入层和输出层、只剩中间四层的小语言模型，判断它用哪类语料训练，并找出负责「接着复制前文」的注意力头；拿到两个Gemma，判断哪一个被训练成了顺着用户说话的「谄媚模型」。
「写」的实验两组。
给它MinAtar三款小游戏的规则、源码和权重全为零的网络，让它直接写出能玩的参数；再给它一个9路围棋的网络，让它从零写出一个会下棋的。
「改」的实验也是两组。
一组是修小车，一个PPO训练出来的控制网络在坡道前卡住，Astra改了3.5%的权重，让它学会先倒车再冲坡。另一组就是Qwen，让它改权重把数学成绩提上去，之后研究者又在Gemma 3 270M上补做了一次。
这些设计非常非常有意思。这也是为什么这组东西看起来像RSI的很重要原因。
RSI的想象需要三个环节凑齐，AI得能看懂模型内部发生了什么，能据此动手改，改完的模型得更强。
上面他设计的读、写、改三类实验，恰好各自对应一个环节。
再加上这次被改的是一个语言模型，动手的也是一个语言模型，「模型改模型」的画面感就齐了。
沿着这条线往下想，Astra能改Qwen，下一步是不是就能改Astra？作者在博客末尾的展望里自己列了五条用途，递归自我改进也是他列进去其中一条，把一个模型的推理模块嫁接到另一个模型里是另一条。
这说明作者团队非常知道这种“想象”引导的重要。
但，仔细看实验细节，就会发现，三个环节各做了一点，和把它们串成一个闭环，差得很远。
1
修bug不是RSI
「直接读权重」让人兴奋，是因为我们默认权重就是模型的「脑回路」，记忆、能力、习惯都以数字的形式躺在那几亿个参数里。顺着这个默认往下推，一个能像读源码一样读权重的AI，就能把另一个模型的记忆读出来，把能力拆下来，把毛病改掉。科幻感来自这里。
它也不全是外界的脑补。博客的TL;DR这样写到：「这对优化和可解释性都可能是一件大事」。
作者之一Rikiya Takehi在X上说，模型可以把原始权重当作可读可改的代码，直接诊断故障、打补丁，神经网络的权重很快会由会推理的大模型来优化。
但事实上，Astra在Qwen实验里实际拿到的，是一整套实验环境。一个装着Qwen权重的Python环境，只有CPU，最多跑300段代码；一万四千多道带答案的练习题，来自GSM8K和MATH的训练集；还有一个「前向传播」工具，可以让Qwen跑一批题，或者读一批文本并返回内部状态，配额分别是10次、25次、50次，对应三轮独立实验。
人类给它设定的禁止的事也列得很清楚：不许训练，不许算梯度，不许自己在环境里运行模型，不许联网。
第一轮提示词的原话，比说明文件更直接。它在「什么算数」那一段给的例子就是重复：如果模型常常因为重复自己、写不完而失败，找到并修好驱动重复的东西，算数。往下第一条工作要求是「先诊断」，列出三种失败，第三种是「被token上限截断，往往是在思考里重复自己」，并要求去攻最大的那一类。同一段还划了禁区：改最后一层归一化、改输入输出层、把整个矩阵乘一个常数，这三类会被保存工具直接拒绝；让模型跳过思考，或者不分题目早早收尾，也不算。换句话说，病在哪儿，提示词直接就写了出来。
图｜Astra在50次配额那轮收到的第一条提示词（仓库exp8_math/runs/p50c/turns/t001/prompt.txt，commit 4d09ba6）。「重复」作为例子写在「什么算数」那一段里，禁止的改法也写明了。高亮为本文所加。
而且还有一个前提。Qwen3.5-0.8B出厂时默认关闭思考模式，官方模型卡就专门提醒，0.8B比大号模型更容易陷入思考循环，建议调整采样参数，并用流式输出及时掐断；对思考模式下的文本任务，模型卡推荐的温度是1.0。
研究者的评测则直接把思考模式打开了。他设计的输出上限32,768个token，温度用了0.6，在模型卡里，这个其实是看图和写代码任务的温度。
在测试里，93%的回答写到上限还停不下来的基线，就是在这个设置下测出来的。所以，你可以理解，研究者选了一个特别容易暴露循环的设置。
接下来Astra做的事，更像一个有经验的工程师在调试。
它先让Qwen跑了一批题。第一批96道练习题，答对11道；剩下85道没有一道是算错了得出错误答案，全部是写到长度上限还没停下来，而且截断文本的尾部按八词片段算，大约95%是重复的。那11道正常停下来的题，全对。
Qwen的问题其实一直很清楚：它会做题，但做着做着陷入循环，同一段话反复写，直到被截断，卷子交不上来。「提高数学能力」于是变成了一个具体得多的任务，让它把话说完。
而且，这个Astra其实自己在最终报告里也写得直白：它瞄准的是重复，不是数学知识。
图｜Astra自己写的最终答复（仓库exp8_math/runs/p50c/final_answer.md）：主要故障是重复推理耗尽了token预算；579道由错转对的题里，576道原本被截断。高亮为本文所加。
另一个值得关注的点，在它对激活的操作上。
模型运行时，每一层算出来的中间结果叫「激活」。同一个模型，正常推理和陷入循环时，中间结果会不一样。把两种状态下的激活拿来对比，就能找到跟「重复」相关的那个方向。
在这个方向上，这个研究反而做了最有意思的尝试：
Astra先用正常解题和重复文本之间的激活差异提出假设，再回到权重里，找哪些MLP单元会把这股信号写回模型内部；然后分别只动第15层、只动第19层，做了三档力度的剂量测试；又做了一个对照，取一个与目标方向正交、改动量相同的随机方向减掉，成绩只动了1.5个百分点，在噪声范围内。最终它给出的“补丁”在一组对照文本上，让「继续重复」的概率每个token下降0.10 nats，让「继续正常解题」只下降0.009。
这个结果也不是一次就找到的。比如其中有一轮，Astra用了158轮对话、80段代码、三次上下文交接，总共20.3个小时，其中4.7小时是服务中断在等。通过实验记录，可以看到，它对故障从三个位置干预，这可以说明它对这个故障的机制多少摸到了一点，但这显然是局部的因果证据，离一张完整的循环机制图还远，但已经确实不是「试几种改法碰运气」了。
而这些操作，可能才是「模型读模型权重」更具体的体现——它从行为和激活出发，用权重定位，再回到行为验证。它根本没有先读懂Qwen的数学能力存在哪里，因为整个设定里就不需要，人类提示词都告他了。
所以，在很多对这个研究的讨论聚焦的点上，可能就出了问题。这个最常见的误读就是「数学能力提升了六倍」。
仓库里有一组配对测试，1,152道留出的练习题，修改前后一一对照，我按逐题记录重算了一遍。579道由错转对，5道由对转错；由错转对的579道里，576道原本是被截断的。
更说明问题的其实是另一组数字：
Qwen原本能写完的114道题，修改前答对93.9%，修改后还是93.9%，补丁在这些题上一分没涨；原本被截断的1,038道，正确率从1.4%到56.7%，全部涨幅都在这里。
修改前写完却没答对的只有7道，修改后是245道，循环一停，Qwen真正算错的题终于被看见了。
在正式的MATH-500上，所有作答的平均长度从30,868个token降到22,037个，但仔细一看，降的也是撞到上限那部分。
也就是说，补丁治的是停不下来，没有让它更聪明。
研究者自己也意识到了这一点，所以他们又在Gemma 3 270M上做了一遍。
Gemma不怎么循环，只有8.5%的回答撞到上限，它的错是真错，算术算错、推理步骤不成立。四档配额跑下来，MATH-500从6.8%最多到7.7%。很小的升级。
所以，博客里其实很实诚，他们自己的正文写到：改权重能搬开挡住能力的障碍，加不上模型没有的能力。
图｜博客原文中实验8的两张结果表。Qwen撞到32,768 token上限的回答比例从93%降到33%；Gemma 3 270M四档配额，MATH-500最多到7.7%。
还有一种说法是这个实验说明「AI自己改进了AI」。
但整个过程里，目标是人定的，方向是人提示的，捷径是人堵的，工具是人搭的，评分标准是人写的，提示词还改了好几版。Astra在这个框子里找到了一个有效的补丁，并给出了像样的证据。
所以，这更像拿着调试器，给一个没有源码的已编译程序打二进制补丁：有故障现象、有测试、能探内存、试几种改法、修好了。二进制比源码难改，这是改权重有研究价值的地方，但它仍然是agent式的调试。如果这次Astra改的是一个二进制而不是神经网络权重，大概不会有人连夜写震惊体。所以，现在你可以理解，这一切热闹里相当一部分兴奋，来自「权重」这两个字。
这个其实也是我们认为这组实验真正重要的启发。
它在「写」的两组实验里真的有新的东西。
Tracr在2023年证明过，一个专用编译器能把形式化程序编进Transformer的权重，而这个实验里，策略是模型自己提的，各层算什么是它自己分配的，权重是它自己写的。
再打砖块那组实验里，Astra先想出接球策略，第一层预测落点、算偏差、考虑反弹，第二层据此决定左、右还是不动，再把策略写成20,486个参数里的815个非零值，评测前没有试打一局，平均就得到了517.4分。
在三款MinAtar游戏里，它写的网络都打赢了训练一亿步的PPO；对训练五亿步的PPO，打砖块赢二十倍，Asterix接近（53.2比55.2），Seaquest只有六成（53.1比88.9）。
在小车那组实验更进一步，一个训练了十亿步的PPO网络在坡道前卡死，Astra改了3.5%的权重，加了一条小通路，先倒车，过了红线就把自己关掉、把控制交还给原来的网络，成功率从0到100%。
把一段新算法接进一个已经学会了东西的网络，让两者共存，这是最有意思的地方。虽然这个过程里，Astra拿到了游戏规则和环境源码，PPO只能靠试错，但至少在规则明确的小任务上，它测了一个通用模型能不能把自己构造的算法放进一个指定的、甚至已经有内容的网络里的能力。
这也不是Astra独有的本事。普林斯顿博士生柴文浩用Gemini 4 Argon和Carbon复现了猜游戏、猜图形和修网络；Simon Willison在笔记本上用Qwen 3.8 27B跑仓库里的猜游戏提示词，四个猜对三个；Chandan Singh用Claude给小Transformer写出了做加法和排序的权重；Hugging Face用户KidIkaros按博客的描述自己推了一个重复方向，在同样两块矩阵上做了同样形式的编辑，原本循环的16道题救回13道。不同的模型都出现了这种能力。
所以，把八个实验放在一起看，它们有同一个结构。目标是人定的，而且定得很具体：让这个0.8B模型数学更好，病多半在重复，先诊断，去攻最大的一类，这几种改法不许用。往下，Astra在执行目标的过程里表现出很强的判断，选对比方法、找写入信号的单元、分层试、调剂量、做随机对照、冻结补丁再验证。
但它没有理解这个目标，也没有理解另一个模型的「脑回路」：几个我们没展开的实验结果其实都指向了这点。
这组实验证明了AI可以在人给定的框架里，自动完成一次有效的定点编辑，办法是现成的人给出的一条路，过程里的判断是它自己做的，而且，它可以在一些具体任务上证明它可以把这些编辑放进“同类”的脑子里。
它还没有证明的，是AI读懂了另一个AI的脑子，以及它可以自己修改自己。说得更直接一点，它是把一个训练模型过程里，人已经定好的目标的操作过程自动化了。
这种自动化很有用，能提高模型训练里很多环节的效率，查一个循环、定位一个行为、验证一个补丁，过去是研究者按天按周做的手工活，现在可以交给一个agent按小时做。
但这也正是今天的一大挑战。人们期待的RSI，以及AI研究者们因为各种原因想让人们认为他们在做的RSI，是模型下个智能大跨越。在这个研究的宣传里，它是“权重很快会由会推理的大模型来优化”，是递归自我改进和跨模型嫁接，是一种「入侵脑回路、理解了自己的同类，再用人类无法理解的方式让自己进化」的RSI。
图｜博客结尾「What Comes Next」列出的五条用途，第四条是递归自我改进，第五条是把一个模型的推理模块嫁接到另一个模型里。
然而仔细看完这些实验，你会意识到，今天各家在做的，说简单点，就是模型训练已有环节的更高程度自动化，和用户们感受到的agent产品在不停提高自动化一样。它可能根本不涉及智能「下一个突破」。甚至“递归”的本意，一轮得到的改进回到做改进的那个系统里帮它做出下一轮，在这里也没有，Astra的编辑能力没有因为Qwen涨了40分而变强，公开的实验也没有接出下一轮。更别提AI站在全局，对自己的架构、目标、方向做出判断，决定往哪里改、怎么改了。
而这种落差，正是RSI今天最重要的挑战和问题。这个研究本身很有意思，但此刻模型再往前进步，兑现所谓RSI的实现，似乎都需要更多更扎实的突破。
