麻省理工学院计算机科学与人工智能实验室（MIT CSAIL）的研究团队提出一种名为「权重空间编程」（Weight-Space Programming）的新方法，其核心思路是让大语言模型直接读取、理解并修改另一个神经网络的权重，而非依赖常规训练流程调整参数。该研究由Rikiya Takehi、Jayden Teoh、Alex Zhang和Omar Khattab共同完成，Takehi于当地时间11月2日在博客上公开了成果。

实验中，OpenAI的GPT-6 Astra被用于分析并修改阿里云通义千问模型Qwen3.5-0.8B的神经网络权重。结果显示，仅调整约0.016%的参数，该模型在MATH-500数学基准测试中的成绩便从7.9%升至48.1%，达到原来的约6.1倍。研究团队强调，整个过程未使用梯度下降或传统训练循环。

GPT-6 Astra的调整并非随机改动少量参数。研究人员先定位了Qwen3.5-0.8B的推理循环问题：该模型在回答数学问题时容易反复生成相同内容，导致大量回答耗尽32768个Token的长度限制。在最初的96次测试回答中，有85次触及这一上限。

为此，研究团队为GPT-6 Astra提供了一个可读取和修改模型权重的接口，使其能够针对性地介入权重空间。这一路径若被进一步验证，或为模型能力调优提供区别于传统训练流程的新思路，但其适用范围与可复现性仍有待观察。