Zespół badaczy opublikował artykuł pokazujący, że duże modele językowe mogą natywnie interpretować i modyfikować surowe wagi sieci neuronowych - czyli czytać i pisać tekst zawierający zmiennoprzecinkowe parametry modelu. Dotychczas uważano, że ta zdolność ogranicza się do modeli frontier, takich jak GPT-6 Astra, ale okazuje się, że Qwen 3.8 27B działający nawet na zwykłym laptopie radzi sobie z tym równie dobrze.
To zjawisko nazwano "Weight-Space Programming". GPT-6 Astra potrafia nie tylko zidentyfikować, do czego trenowano sieć neuronową, patrzac jedynie na jej wagi, ale również stworzyć od zera małe sieci grające w gry, które pokonują sieci trenowane metodą reinforcement learning (PPO) przez 100 milionów kroków. Jeszcze bardziej imponujące: kiedy poproszono Astrę o ulepszenie modelu Qwen3.5-0.8B w rozwiązywaniu zadań matematycznych bez gradientów, model zidentyfikował problem w wagach powodujący pętle rozumowania (których ostrzegała nawet karta modelu Qwena) i naprawił go poprzez bezpośrednią edycję zaledwie 0,016 procent wag. Taka korekcja podniosła wynik na benchmarku MATH-500 z 7,9 procent do 48,1 procent.
To odkrycie zmienia dotychczasowe rozumienie możliwości LLM-ów. Zamiast polegać na tradycyjnych pętlach treningowych, modele mogą teraz działać jako inżynierowie optymalizujący wagi poprzez bezpośrednią analizę i edycję. Fakt, że ta zdolność występuje też u mniejszych, lokalnie uruchamianych modeli takich jak Qwen 3.8 27B, sugeruje, że Weight-Space Programming mogłaby stać się praktycznym narzędziem do szybkiego dostrajania i naprawy modeli bez konieczności przeprowadzania pełnego treningu.