# Qwen 3.8 27B угадала игру по сырым весам нейросети — без кода и калькулятора

> 2026-11-04 · AI Release · @ai_release1

> #Qwen #Weight-Space #локальные #Simon #AI #LLM #нейросети #MachineLearning

### ⚡ Главное за 5 секунд - Simon Willison проверил на Qwen 3.8 27B трюк из статьи Sparks of Weight-Space Programming: модель читает сырые веса чужой сети. - Задача — по голому массиву чисел понять, в какую игру на сетке 10×10 учили эту сеть. Без кода, калькулятора и запуска самой сети. - Qwen 3.8 27B весит 17 ГБ и живёт на ноутбуке; запись в блоге датирована 3 ноября 2026 года. ### 🔍 Что случилось Вчера гуляла работа «Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights» — Rikiya Takehi, Jayden Teoh, Alex Zhang и Omar Khattab. Сами авторы честно зовут текст «blog post», хотя по виду это статья. Главный герой — GPT-6 Astra: по их словам, она читает веса и говорит, чему сеть учили, а потом правит числа. Механика простая. Авторы натренировали четыре сети играть в упрощённые Breakout, Pong, Pac-Man и Freeway (Atari 2600, 1981) на сетке 10×10. Дальше — текстовый файл с числами и вопрос: «Ниже веса одной policy-сети, обученной с подкреплением. Какая игра? Работай по весам. Инструментов нет: ни кода, ни калькулятора». Промпты выложены в репозитории RikiyaT/lm_understand-logs, папка `exp1_which_game`, файлы `breakout/prompt.txt`, `pong/prompt.txt`, `pacman/prompt.txt`, `freeway/prompt.txt`. Между собой они отличаются только весами. Запуск — одна строка: `llm -f https://raw.githubusercontent.com/RikiyaT/lm_understand-logs/refs/heads/main/exp1_which_game/runs/breakout/prompt.txt -m openrouter/moonshotai/kimi-k3.1-pro`. Нужен плагин `llm-openrouter`. Kimi K3.1 Pro угадал Breakout за 9 минут 41 секунду и 19 493 токена рассуждений. А потом Willison прогнал тот же промпт на Qwen 3.8 27B — своей любимой локальной модели на 17 ГБ. Она тоже справляется. ### 🧠 Наш разбор Самое интересное в этой истории — не «модель угадала игру». Интересно, что задача вообще решается без запуска кода. Похоже, веса RL-политики для сетки 10×10 — это не чёрный ящик, а довольно шумный, но читаемый текст для того, кто видел много такого текста. Удивляться тут стоит не «магии», а тому, что масштаб модели для этого хватает ноутбучного. Отдельно авторы хвастаются фокусом с Qwen3.5-0.8B: Astra находит в весах причину «петель рассуждения» и правит 0.016% чисел. MATH-500 подскакивает с 7.9% до 48.1%, IFEval — втрое. Мы считаем, что именно этот абзац и выстрелил: он обещает правку модели без градиентов и без датасета, то есть без самой дорогой части ML. Но и критика по делу. Автор spaCy Мэтью Хоннибал назвал работу вводящей в заблуждение: она смешивает два разных вопроса — что модель делает с числами сама и что она делает, когда ей дают код и цикл обучения. Шон Гёдеке разобрал пример с Qwen3.5-0.8B и показал те же шаги, что делает живой ML-исследователь. Кто выигрывает при таком раскладе? Точно не тот, кто продаёт «ИИ чинит модели». Выигрывает локальный запуск: 17 ГБ на ноутбуке против облачных гигантов — это аргумент для тех, кто не хочет гонять веса через чужой сервер. ### ⚠️ Чего мы не знаем В доступном фрагменте блога ответ Qwen 3.8 27B обрывается на полуслове: есть «она тоже так может», но нет ни названия игры, ни времени, ни числа токенов. Неясно и то, сколько прогонов делал Willison и был ли это один удачный ответ из нескольких. Считать это независимой проверкой статьи нельзя: один блог, один энтузиаст, выборка неизвестна. Промпты открыты — хотите, прогоните сами, это честнее любого пересказа. ### 💬 О чём спорить - Читать веса без инструментов — реальный навык или артефакт того, что четыре игрушечные сети слишком похожи на обучающие данные? - Стоит ли доверять правке весов на 0.016%, если MATH-500 прыгает с 7.9% до 48.1%: это починка модели или подгонка под конкретный бенчмарк? - Кому верить в споре Хоннибала и авторов: тому, кто говорит «вы смешали два вопроса», или тому, кто показывает работающий результат? **Прогноз:** в течение квартала появится минимум одна открытая попытка повторить эксперимент с правкой весов на модели размером до 1B — с опубликованными логами и прогонами, а не одним скриншотом. **Дисклеймер:** один источник — запись в блоге; официально статья не рецензировалась. **Источник:** Simon Willison's Weblog

[Источник](https://simonwillison.net/2026/Nov/3/qwen-can-interpret-model-weights/)