spaCy作者质疑MIT Astra研究:改Qwen权重实验条件被混淆
spaCy作者、Explosion联合创始人Matthew Honnibal发文质疑MIT的Astra研究存在误导。他指出,Astra在识别小型网络任务时确实只读取原始权重,参数规模在1.7万到17.2万之间;但在修复Qwen3.5-0.8B数学能力时,Astra被允许使用Python编程并进行最多50次前向测试,并非直接读取原始权重。

spaCy作者、Explosion联合创始人Matthew Honnibal发文质疑MIT的Astra研究存在误导。他指出,Astra在识别小型网络任务时确实只读取原始权重,参数规模在1.7万到17.2万之间;但在修复Qwen3.5-0.8B数学能力时,Astra被允许使用Python编程并进行最多50次前向测试,并非直接读取原始权重。

腾讯混元发布 Qwen3.8-27B-DSpine-b16,这是一个面向 Qwen3.8-27B 的五层草稿模型,采用并行草稿 token 生成与相邻位置因果注入,block size 16、滑动窗口 8,192 token。

字节发布 Sa2VA-Qwen3-VL-4B-SAM3,在 Qwen3-VL-4B-Instruct 上接入 SAM3 PVS-tracker grounding 编码器,由 MLLM 预测 [SEG] token 驱动 SAM3 mask 解码器,支持图像与视频的指代分割及开放式对话。
腾讯混元发布投机解码并行草稿器 DSpine,在 Qwen3-8B 上平均接受长度达 7.83(T=0)和 6.98(T=1),高于 DFlash2 的 7.55 和 6.53。该模型在每个草稿层让各位置接收前一位置的预测特征,使因果链沿网络深度展开,同时所有位置仍并行草稿。2026-10 已发布推理代码,采用 Apache 2.0 许可,训练代码与 Qwen3.8-27B 版本仍在路线图中。

面壁开源 Trident-Qwen3VL-2B 多模态嵌入模型,可将文本、图像及图文融合输入映射到同一空间,实现单一列表内的混合模态检索。该模型基于 Qwen3-VL-2B-Instruct 微调,LoRA 适配器已合并,无需基座模型或 PEFT,输出 2048 维嵌入。通用版在视觉文档基准上比论文结果低约 2–3 分,自然图像基准下降更明显。
Drew Breunig 受 qwenputer 启发,把可运行的 NES 6502 CPU 模拟器做进了 Qwen3.5-4B 的权重里,现在能在 Qwen 内(很慢地)运行 Super Mario Bros 等 NES ROM。
一位常驻喜马拉雅山麓的 Thomson Reuters 首席工程师实测用 OpenCode 搭配 Ollama 本地运行 Qwen3.5 9B,在断网状态下完成解释函数、排查失败测试、重构代码等任务。Qwen3.5 9B 在模型卡中报告 LiveCodeBench v6 得分 65.6、BFCL-V4 得分 66.1,下载体积约 6.6–7.6 GB。下载新依赖或联网查资料仍需连接网络。

在单台 trn2.48xlarge 上,torchtitan 通过 TorchNeuron 将 Trainium 注册为原生 PyTorch 设备,可用三种方式训练 Qwen3-4B-Instruct-2507:Transformers v5 后端、torchtitan 原生 Qwen3 实现,以及挂载 NKI MoE kernel。

教程演示在 llama.cpp 中运行 7.9 GB 的 Underdog Saluki 27B——Qwen3.8-27B 的 2-bit 量化版本,据称约每权重两位仍保持工具调用能力,并在其自建 120 任务基准上略胜 54 GB 全量模型。

推荐理由:原文给出按 harness 训练小 LoRA 的完整配方与修正后评测数据,可迁移到自有编码智能体。
MIT CSAIL 团队公布早期实验,让 GPT-6 Astra 通过自然语言直接读取和修改神经网络权重,并将这种方式称为 Weight-Space Programming(权重空间编程)。
推荐理由:MIT CSAIL 的实验显示大模型可直接读写神经网络权重,为机制可解释性和模型优化提供了一条不依赖梯度的路径。
推荐理由:原文列出 Qwen4 Max 的输入输出价格、缓存命中价和 1M 上下文,读者可据此比较它与 Qwen3.8 Max 的成本变化。
推荐理由:原文逐项拆解 Strata 引擎的实测数据与代价,读者可据此判断家用显卡跑大模型的真实边界。
Sebastian Raschka 发布教程,介绍如何用 Ollama 本地部署 Qwen3.6 35B-A3B 等开放权重模型,并接入 Qwen Code、Codex 和 Claude Code 三个编码智能体框架。

推荐理由:作者用开源工具和开放权重模型搭出完整本地编码智能体,并给出速度、任务成功率与 token 消耗的实测对比。
We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/
MIT CSAIL 研究者提出「Weight-Space Programming(权重空间编程)」,让 GPT-6 Astra 不靠梯度、不写训练循环,直接读取或修改神经网络权重。

We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/
同一件事,精选收录的是《MIT CSAIL 提出权重空间编程:GPT-6 Astra 直接修改 Qwen3.5-0.8B 权重》

We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/
We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/

We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/
同一件事,精选收录的是《MIT CSAIL 提出权重空间编程:GPT-6 Astra 直接修改 Qwen3.5-0.8B 权重》
Artificial Analysis 称,Inkling 2 Mini 以 5.4B 激活参数在其 Intelligence Index 上追平 Qwen3.8 27B(xhigh),激活参数约少 5 倍。该结论来自第三方评测机构的指数对比,材料未给出具体分数与测试细节。

MIT CSAIL 团队让 GPT-6 Astra 直接编辑 Qwen3.5-0.8B 的权重,在未重新训练的情况下把 MATH-500 成绩从 7.9% 提升到 48.1%。

We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/
有研究者称 LLM 能够原生读取和写入神经网络权重。据 Rikiya Takehi 的信息,GPT-6 Astra 直接编辑了 Qwen3.5-0.8B 的权重,使其数学能力得到提升。

We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/
Nous Research 发布 Arete-27B,这是一个基于 Qwen3.8-27B 后训练得到的模型,主打强化西方价值观。Nous Research 称,该中国基础模型的偏见层较浅,因此易于通过后训练调整。

网上所有人:天哪,Qwen 4 Max 是闭源的,中国开源权重策略结束了。 现实中:这和他们多年来保持一致的策略相同。Qwen 仅保留最强模型的 API,并在其之下保持丰富的开源权重策略。

We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/
面壁智能开源 MiniCPM-o 4.5,这是 MiniCPM-o 系列最新模型,基于 SigLip2、Whisper-medium、CosyVoice2 和 Qwen3-8B 端到端构建,总参数 9B。

推荐理由:9B 参数端到端全模态模型,给出与 Gemini 2.5 Flash、GPT-4o 的逐项对比和端侧部署路径。
伦敦初创公司 Prefrontal AI 与苏黎世联邦理工学院联合发布论文,提出隐空间稀疏注意力 LSA,在 10M token 下把 GLM-5.3-Flash 单个注意力层的 prefill 提速 22.7 倍、Qwen3.8-27B 提速 72.4 倍,精度与原模型相近。
推荐理由:论文指出超长上下文下索引器占 prefill 时间 98%,并给出按语义聚类把索引降到 O(T log T) 的路径。
小米开源轻量级文档理解模型 Xiaomi-OCR-0,参数规模 0.8B,权重与推理代码已上线 Hugging Face 和 GitHub。该模型基于 Qwen3.5-0.8B-Base 构建,用约 1.7 亿条 OCR 与文档理解样本训练,单一模型覆盖文档解析、关键信息抽取与 OCR 视觉问答三类任务。

推荐理由:小米公开 0.8B 文档理解模型的权重与推理代码,并给出多项基准对比,便于判断小参数模型在 OCR 任务上的位置。
腾讯混元发布视频世界生成模型 Hy-Nomas,支持通过文本指令和相机控制进行自由形式的多轮交互,逐段生成同一世界。模型采用分段自回归 DiT 架构,结合 Qwen 文本编码器、相机条件模块和 PixelUMM 视频解码器,蒸馏推理配置为 8 步去噪,输出 720×1280、24 FPS。

推荐理由:腾讯混元开源交互式世界生成模型,给出完整架构、权重与单卡部署配置,可据此评估落地门槛。
超衍智能发布并开源首款大模型Apex-35B-V1.0,总参数量350亿,每个Token激活约30亿参数,支持26.2万Token上下文窗口,以Qwen3.6-35B-A3B为基础经中训练和后训练优化。

推荐理由:原文给出开源权重、许可证与多项基准对比,可据此判断AI参与模型研发的实际水平。
南京大学、商汤等机构的研究者发布 OpenMobile-2,基于 Qwen3.5 和 Qwen3.6 构建 9B 与 27B 两个手机智能体模型,并公开训练环境、数据和复现说明。

推荐理由:原文给出训练环境搭建方式与多基准对比数据,可了解开源手机智能体与闭源模型的差距所在。
面壁发布 MiniCPM-OCR 1.0,这是 MiniCPM-V/o 系列首个 OCR 专用模型,参数量 1.3B,基于 MiniCPM-V 4.6 训练,采用 SigLIP 视觉编码器加 Qwen3.5 语言模型。

推荐理由:面壁开源 1.3B 的 OCR 专用模型,给出四个文档解析基准成绩与吞吐对比,可据此判断文档解析选型。
字节 Seed 开源 Bernini-Diffusers,将基于 Qwen2.5-VL 的语义规划器、Bernini 规划权重与 Wan2.2 扩散组件打包为自包含目录,官方推荐用于复杂视频编辑请求。
推荐理由:字节开源完整 Bernini 视频生成与编辑管线,读者可据此了解其语义规划加渲染的两段式结构及与 Bernini-R 的差异。
字节发布 Bernini-Diffusers-v2,把 Qwen2.5-VL-7B 语义规划器、Bernini 规划权重与 Wan2.2-T2V-A14B 扩散组件打包成一个自包含的 diffusers 格式目录。
推荐理由:字节开源 Bernini-Diffusers-v2 完整语义规划管线,读者可据此判断视频生成与编辑的指令遵循能力边界。
研究团队提出 Weight-Space Programming,让 GPT-6 Astra 直接读取和生成模型权重,无需常规训练。在 Qwen3.5-0.8B 上 Astra 只改动 0.016% 的权重,MATH-500 准确率从 7.9% 升至 48.1%,指令遵循从 21% 升至 62%。
小米发布并开源轻量级文档理解模型 Xiaomi-OCR-0,仅 0.8B 参数,将文档解析、关键信息抽取与视觉问答三类能力融于一体。该模型在 OmniDocBench v1.6 取得 96.83 分,为 1B 以下模型第一,五项文档 VQA 平均分 83.2,逼近 Qwen3.5-4B。小米同步公开模型权重、推理代码,并提供浏览器 Demo、MCP 服务与 Agent Skill 工具包。

同一件事,精选收录的是《小米开源 0.8B 文档理解模型 Xiaomi-OCR-0,支持 Markdown 与 JSON 输出》