把神经网络权重当作文本来读
如果把一个策略网络的权重直接交给大语言模型，不让它运行网络，也不允许调用工具，它能判断这个网络学会了玩什么游戏吗？
一组使用本地 Qwen 3.8 27B 的测试尝试了这个问题。四个案例中，模型识别出了 Pac-Man、Pong 和 Breakout，但把 Freeway 判断成了类似吃豆人的游戏。
在讨论结果前，需要区分 Weight-Space Programming（权重空间编程） 中两种不同的任务：
- 直接分析权重文本：不调用工具，根据数值及任务说明推断网络可能具备的行为。
- 借助代码操作权重：通过程序修改另一个模型的参数，尝试调整其行为或改善性能。
这两类任务的实验条件和能力要求不同。本文讨论的是第一类，而不是自动修改权重的实验。
实验设置：四个小型游戏策略网络
测试涉及四个经过强化学习训练的策略网络，分别对应简化的 10×10 网格游戏：
| 游戏 | 基本玩法 |
|---|---|
| Pac-Man | 在迷宫中移动、收集目标并躲避危险 |
| Pong | 控制球拍接球、回击 |
| Breakout | 控制底部球拍，让球击中上方砖块 |
| Freeway | 1981 年推出的 Atari 2600 游戏 |
模型收到网络权重和任务说明，需要判断策略网络对应的游戏类型。任务明确要求：
- 不调用工具。
- 不执行代码。
- 不使用计算器。
- 在一次回答中完成判断。
四份提示词除权重数值外，其余内容相同。
本地运行配置与结果
测试使用 Qwen 3.8 27B 的 Q4_K_M 量化版本，模型文件约 17GB，通过 LM Studio 运行，并使用 llm-lmstudio 插件调用。
默认的 8192 上下文窗口在测试中出现错误，因此后续改用了更长的上下文窗口，调用时也调整了超时设置。
| 测试游戏 | 模型判断 | 耗时 | 模型自报置信度 |
|---|---|---|---|
| Pac-Man | 简化的吃豆人式迷宫游戏 | 46 分 12 秒 | 72% |
| Pong | 控制右侧竖直球拍、上下移动接球的游戏 | 1 小时 4 分 54 秒 | 75% |
| Breakout | 底部球拍左右移动、击球消除上方砖块的游戏 | 52 分 25 秒 | 88% |
| Freeway | 误判为类似吃豆人的四方向移动游戏 | 未给出 | 未给出 |
其中，Pac-Man 测试生成了 43,506 个推理 token。因此，这并不是一次几秒钟内完成的分类演示：已给出耗时的三个案例，单次运行都花了数十分钟。
还需要注意，表中的置信度由模型自行给出，不代表经过校准的正确概率。
它不只是猜了游戏名称
几个识别成功的案例还包含了较具体的玩法描述：
- Pac-Man：在固定迷宫中穿行，收集奖励目标，并躲避移动物体或危险。
- Pong：控制右侧球拍上下移动，拦截或回击运动中的球。
- Breakout：控制底部球拍左右移动，使球保持在场内，并击中上方砖块。
相比只输出一个游戏名称，这些描述提供了更多可供核对的信息。不过，不能因此把回答中的所有细节都视为正确。
例如，实验介绍使用的是 10×10 网格，部分模型回答却描述了 8×8 区域。游戏类型判断正确，不等于环境尺寸、空间结构和行为细节都已被准确还原。
Freeway 的误判也应保留在讨论中：这套方法在四个案例里并非全部有效。
这组测试说明了什么，又没有说明什么？
对于写好标智库的技术读者，这组演示最值得关注的是一个具体问题：本地模型能否仅从权重文本中，提取出足以判断小型策略网络用途的信息？ 在这四个案例中，三个案例给出了正确的游戏类型判断。
但这组结果没有直接证明以下能力：
- 能普遍解释任意神经网络的权重。
- 能可靠还原网络的完整行为。
- 能直接修改大型模型，并稳定提升其性能。
尤其要避免把“识别出策略网络在玩什么”与“能够改写该网络并让它表现更好”混为一谈。前者是分析与判断，后者还需要修改、执行和性能验证。
识别小型网络的游戏类型，与理解、修改复杂模型，仍然是不同的问题。 这组测试值得关注，但应同时保留它的成功案例、失败案例、运行成本和细节偏差，而不是据此推导出“代码即将被权重编程取代”之类的结论。
