@TheAhmadOsman：Astra 和 Opus 5.5 很擅长破解大语言模型的权重。这就像逆向工程 2.0，我很好奇还能有什么技巧……
摘要
用户报告称，在麻省理工学院一篇博客文章的结果被独立复现后，Astra 和 Claude Opus 5.5 在权重空间编程（破解大语言模型权重）方面展现出了新的跃迁式能力，被称为“逆向工程 2.0”。
查看缓存全文
缓存时间: 2026/11/03 00:15
Astra 和 Opus 5.5 很擅长破解大语言模型的权重
这就像逆向工程 2.0，我很好奇利用它能在不同模型中实现哪些技巧
有趣的日子还在后头
Alex Krentsel (@AlexKrentsel)： 我今天复现了 MIT 博客文章中关于权重空间编程的结果。但我还要补充一个发现：这是一种全新的、带来质变的新兴能力，直到最新一批模型中才出现。
相似文章
@lateinteraction：你以为 LLM 只能对提示词、工具框架和代码做文本优化与搜索？结果它们已经开始……
研究提出「Weight-Space Programming」：让 GPT-6 Astra 直接编辑 Qwen3.5-0.8B 的权重，在不使用梯度或训练的情况下仅修改 0.016% 权重，修复推理循环并将数学能力提升至 6 倍、指令遵循提升 3 倍。
@omarsar0: GLM-5.2 在设计方面非常出色（在我看来达到了 Opus 级别）。我也开始看到在长时间运行的任务上取得了很好的结果。如何……
GLM-5.2 是一款具有 Opus 级别设计能力的开放权重模型，它集成了通过强化学习训练的反奖励破解模块，以减轻奖励破解问题并提升长时间运行任务的性能。
权重空间编程的火花：LLM 能够原生读写神经网络权重
一篇研究博客文章发现，前沿 LLM 能够原生读写神经网络权重——诊断训练后的策略、编辑权重以修复推理循环并将 Qwen3.5-0.8B 在 MATH-500 上的成绩从 7.9% 提升至 48.1%、以及手工编写小型游戏网络——作者将这一能力称为「权重空间编程」（Weight-Space Programming）。
@rikiyatakehi：我们让 GPT-6 Astra 编辑 Qwen3.5-0.8B 的权重以提升数学能力，它仅直接修改了 0.016% 的权重，就修复了 0…
一篇介绍「权重空间编程（Weight-Space Programming）」的博客文章：前沿 LLM GPT-6 Astra 能够原生读取并编辑神经网络权重——仅修改 Qwen3.5-0.8B 的 0.016% 权重，就将 MATH-500 从 7.9% 提升至 48.1%，IFEval 提升三倍，全程无需梯度或训练。
@garrytan: Opus 5.5 与 Openclaw 搭配使用时，出奇地比 GPT-6 Astra 更聪明且更擅长完成任务，令人惊讶。
Opus 5.5 与 Openclaw 搭配使用被描述为出奇地比 GPT-6 Astra 更聪明、更高效。