Forskare presenterar metod för direkt redigering av neurala nätverksvikter

Forskare vid MIT CSAIL har introducerat ett nytt tillvägagångssätt för modelloptimering. Genom "weight-space programming" kan en avancerad språkmodell läsa och justera vikterna i ett annat neuralt nätverk, i detta fall Qwen3.5-0.8B, genom att direkt rikta in sig på specifika lager i arkitekturen.

Genom att endast justera 0,016 procent av de totala parametrarna lyckades forskarna minska modellens tendens att fastna i logiska loopar, vilket resulterade i en markant förbättring i matematiska testresultat. Processen skedde utan användning av gradientnedstigning eller traditionell träningscykel, vilket skiljer metoden från standardiserad finjustering.

Resultaten visar att metoden effektivt kan frigöra outnyttjad kapacitet i befintliga modeller. Forskargruppen ser potential i tekniken för att förbättra tolkbarheten och den praktiska effektiviteten hos framtida AI-system.