GPT-6 Astra แก้ไข Qwen3.5-0.8B ได้อย่างไร ด้วยการแก้ไขน้ำหนักโมเดลเพียง 0.016%

GPT-6 Astra ยกระดับคะแนน MATH-500 ของ Qwen3.5-0.8B จาก 7.9% เป็น 48.1% โดยไม่ต้องฝึกโมเดลเลย มันอ่านค่าน้ำหนัก (weights) ของโมเดล ค้นพบหนึ่งทิศทางที่ทำให้โมเดลวนซ้ำในการคิด แล้วลบทิศทางนั้นออกจากชั้น MLP สองชั้น การแก้ไขนั้นแตะค่าน้ำหนัก 131,072 ค่า คิดเป็น 0.016% ของโมเดล ตัวเลขเหล่านี้มาจากโพสต์วันที่ 2 พฤศจิกายนของนักวิจัยสี่คนจาก MIT CSAIL และโมเดลที่แก้ไขแล้วเปิดเผยต่อสาธารณะ คุณจึงตรวจสอบข้อกล่าวอ้างนี้ได้ด้วยตัวเอง

ลองใช้ Apidog วันนี้

ข้างล่างนี้: weight-space programming คืออะไร Astra เปลี่ยนแปลงอะไรบ้าง วิธีนี้หมดประสิทธิภาพตรงไหน และจะให้ coding agent ของคุณเปรียบเทียบโมเดลทั้งสองด้วย Apidog CLI ได้อย่างไร

weight-space programming คืออะไร?

weight-space programming คือการที่ LLM แบบอเนกประสงค์อ่านและเขียนค่าน้ำหนักของโครงข่ายประสาทเทียมโดยตรง โดยมีเป้าหมายที่เขียนเป็นภาษาธรรมชาติเป็นตัวกำกับ ไม่มีการทำ gradient descent และไม่มีลูปการฝึก โมเดลให้เหตุผลว่าแต่ละส่วนของโครงข่ายคำนวณอะไร แล้วแก้ตัวเลขด้วยมือ เหมือนที่โปรแกรมเมอร์แก้โค้ดต้นฉบับ

คำนี้มาจาก Sparks of Weight-Space Programming โดย Rikiya Takehi, Jayden Teoh, Alex Zhang และ Omar Khattab เผยแพร่เมื่อวันที่ 2 พฤศจิกายน 2026 ผู้เขียนเรียกผลลัพธ์ทุกชิ้นว่า "early มาก" และหลายชิ้นมาจากการรันเพียงครั้งเดียวหรือไม่กี่ครั้ง สำหรับข้อมูลพื้นฐานเกี่ยวกับโมเดลที่ทำการแก้ไข ดูได้ที่ รีวิวทดลองใช้ GPT-6 Astra

GPT-6 Astra แก้ไข Qwen3.5-0.8B ได้อย่างไร

ผลลัพธ์ที่เป็นไฮไลต์คือการทดลองที่ 8 นักวิจัยขอให้ GPT-6 Astra ทำให้ Qwen3.5-0.8B เก่งคณิตศาสตร์ขึ้นโดยการแก้ไขค่าน้ำหนักของมัน นี่คือสิ่งที่เกิดขึ้นทีละขั้น:

1. การตั้งต้น Astra ได้เซสชัน Python (เหมือนโน้ตบุ๊ก) ที่โหลดค่าน้ำหนักของโมเดลไว้ ไม่มี GPU และมีโจทย์ฝึกจาก GSM8K 7,469 ข้อ บวกโจทย์ MATH 7,275 ข้อจากชุดฝึกฝน มันไม่เคยเห็นชุดทดสอบเลย
2. งบประมาณ แทนที่จะฝึก Astra สามารถใช้ forward pass ได้ 10, 25 หรือ 50 รอบ หนึ่ง forward pass ให้โมเดลตอบได้มากถึง 512 ข้อ หรืออ่านข้อความได้มากถึง 1,024 ชิ้น
3. การวินิจฉัย Astra เห็นว่าโมเดลฐานวนซ้ำ: 85 จาก 96 คำตอบฝึกแรกของมันวิ่งไปจนถึงขีดจำกัด 32,768 โทเคนโดยไม่ได้คำตอบ ผู้เขียนตั้งข้อสังเกตว่าโมเดลการ์ดของ Qwen เองก็เตือนว่าโมเดลนี้มีแนวโน้มที่จะคิดวนซ้ำ
4. การตามรอย Astra สืบสาวการวนซ้ำไปถึงหนึ่งทิศทางที่เขียนโดย MLP ของชั้นที่ 15 และ 19
5. การแก้ไข มันลบทิศทางนั้นออกจาก 64 คอลัมน์เอาต์พุตของ down_proj ในแต่ละชั้นจากสองชั้นนั้น คิดเป็น 131,072 ค่าน้ำหนัก จากทั้งหมด 0.8 พันล้านค่า

ตามโมเดลการ์ดบน Hugging Face มีเพียงเทนเซอร์ down_proj สองตัวนั้นที่ต่างจากเช็กพอยต์ฐาน Qwen/Qwen3.5-0.8B และเทนเซอร์ที่สร้างขึ้นใหม่แต่ละตัวได้รับการตรวจสอบ sha256 เทียบกับตัวที่ผู้เขียนประเมินไว้ โมเดลที่แก้ไขแล้วเผยแพร่ภายใต้สัญญาอนุญาต Apache 2.0

ผลลัพธ์: Qwen3.5-0.8B ฐาน เทียบกับฉบับแก้ไข

ตัวเลขทุกตัวที่นี่มาจากโพสต์ของผู้เขียน (เปิดโหมดคิด สูงสุด 32,768 โทเคน หลายตัวอย่างต่อโจทย์) "ชนขีดจำกัดโทเคน" คือสัดส่วนของคำตอบ MATH-500 ที่ใช้โทเคนจนหมด

• การแก้ไขได้ผลทั่วไป การวนซ้ำไม่ได้จำเพาะกับคณิตศาสตร์ IFEval จึงเพิ่มขึ้นราวสามเท่าเช่นกัน
• งบประมาณมีผล ที่ 10 หรือ 25 forward pass การวนซ้ำแทบไม่ลดลงเลย
• มีคนอื่นทำซ้ำได้ Ahsen Khaliq จาก Hugging Face สร้างเช็กพอยต์ขึ้นใหม่จากล็อก แล้วรัน MATH-500 ทั้งชุดใหม่ (500 ข้อ ข้อละ 4 ตัวอย่าง) โมเดลที่แก้ไขแล้วได้คะแนน 51.0% โดย 31.6% ของคำตอบชนขีดจำกัด การทดสอบแบบสมอกด้วยโจทย์ 25 ข้อของโมเดลฐานได้ 5.0%

เดโม Space ให้คุณพิมพ์โจทย์แล้วดูโมเดลทั้งสองตอบ

สิ่งที่การแก้ไขค่าน้ำหนักทำไม่ได้

ผู้เขียนรันกลุ่มควบคุมที่สำคัญยิ่งกว่าผลลัพธ์ไฮไลต์ พวกเขาลองใช้วิธีเดียวกันกับ Gemma 3 270M ซึ่งเป็นโมเดลที่แทบไม่วนซ้ำ (8.5% ของคำตอบชนขีดจำกัด เทียบกับ 93% ของ Qwen)

ข้อผิดพลาดของ Gemma เป็นแบบธรรมดา เช่น คำนวณเลขผิด โดยไม่มีองค์ประกอบใดองค์ประกอบหนึ่งให้ปิดสวิตช์ได้ ข้อสรุปของผู้เขียน: การแก้ไขลบอุปสรรคที่บดบังความสามารถที่มีอยู่ แต่มันเพิ่มความสามารถที่โมเดลไม่มีไม่ได้ Qwen คิดคำตอบได้หลายข้ออยู่แล้ว มันแค่คิดไม่จบเท่านั้น

ดังนั้นนี่ไม่ใช่ "การฝึกโมเดลจบยุคแล้ว" แต่เป็นการที่โมเดลระดับแนวหน้าค้นพบและกำจัดความล้มเหลวหนึ่งอย่างที่อยู่ในจุดเดียว

ส่วนที่เหลือของงานวิจัย weight-space programming

การทดลองที่ 8 เป็นหนึ่งในแปด ส่วนที่เหลือใช้โครงข่ายที่เล็กกว่ามาก:

• การอ่านค่าน้ำหนัก จากค่าน้ำหนักดิบเพียงอย่างเดียว Astra ระบุชื่อเกมของนโยบายเล่นเกมที่ฝึกด้วย PPO ได้ 4 จาก 4 และระบุภาษาที่ใช้ฝึกของโมเดลภาษาเล็ก ๆ ระดับอักขระได้ 3 จาก 3
• การแก้นโยบาย นโยบายขับรถ Kinetix ที่ล้มเหลว 256 จาก 256 ตอน สำเร็จได้ 1,024 จาก 1,024 ตอน หลังจาก Astra แก้ไข 3.5% ของค่าน้ำหนักในการตอบเพียงครั้งเดียว
• การเขียนค่าน้ำหนักจากศูนย์ Astra เขียนค่าน้ำหนัก MinAtar Breakout ที่ได้คะแนน 517.4 เทียบกับ 25.3 ของ PPO ที่ฝึกไป 500 ล้านสเต็ป แต่แพ้ในเกม Seaquest ที่ 53.1 เทียบกับ 88.9
• หมากโกะ มันเขียนโครงข่ายโกะ 9x9 ขนาด 1.48 ล้านค่าน้ำหนักจากศูนย์ ซึ่งเมื่อใช้ 50 forward pass ชนะโครงข่าย PPO ขนาดเท่ากันได้
• กรณีที่พลาด จากค่าน้ำหนักเพียงอย่างเดียว มันแยกไม่ออกว่า Gemma 3 270M สองชุดใดถูกฝึกให้ประจบสอพลอ แต่เมื่อเข้าถึงรูปแบบ attention ได้ มันเลือกตัวที่ประจบได้ถูกในทั้งสามคู่

ล็อกการทดลองฉบับเต็ม มีพรอมป์ต์ทุกอัน บทสรุปการให้เหตุผลของ Astra และโค้ดทุกชิ้นที่มันรัน

ตรวจสอบการแก้ปัญหาคิดวนซ้ำของ Qwen3.5-0.8B ได้ด้วยตัวเอง

วิธีทดสอบที่สะอาดที่สุดคือเสิร์ฟเช็กพอยต์ทั้งสองไว้หลัง API ที่เข้ากันได้กับ OpenAI แบบเดียวกัน แล้วส่งพรอมป์ต์ที่เหมือนกันให้ทั้งคู่ vLLM ทำแบบนี้ได้ด้วยคำสั่งเดียวต่อโมเดลหนึ่งตัว:

vllm serve Qwen/Qwen3.5-0.8B --port 8001 \ --served-model-name qwen --max-model-len 34816 --gpu-memory-utilization 0.45 vllm serve RikiyaT/Qwen3.5-0.8B-weight-space-programming --port 8002 \ --served-model-name qwen --max-model-len 34816 --gpu-memory-utilization 0.45 

เซิร์ฟเวอร์ทั้งสองตอบสนองต่อชื่อ qwen ดังนั้นเนื้อคำขอชุดเดียวใช้ได้กับพอร์ตใดก็ได้ --max-model-len 34816 ตรงกับตัวอย่างในโมเดลการ์ด

คำขอแต่ละครั้งสะท้อนค่าการสุ่มตัวอย่างของผู้เขียน และเปิดโหมดคิด:

{ "model": "qwen", "messages": [{"role": "user", "content": "{{question}}\nPlease reason step by step, and put your final answer within \\boxed{}."}], "temperature": 0.6, "top_p": 0.95, "top_k": 20, "presence_penalty": 1.5, "max_tokens": 32768, "chat_template_kwargs": {"enable_thinking": true} } 

ค่า \boxed{} ตัวสุดท้ายคือคำตอบ และ finish_reason บอกว่าโมเดลหยุดเอง (stop) หรือใช้โทเคนจนหมด (length) การจบแบบ length คือการวนซ้ำ

ถ้าไม่อยากใช้ GPU คุณทดสอบ GPT-6 Astra API ด้วยวิธีเดียวกันได้ หรือเปรียบเทียบโมเดล Qwen ขนาดเล็กในเครื่องด้วย การติดตั้ง Qwen3.5 กับ Ollama แบบฟรี

ให้ coding agent ของคุณทดสอบโมเดลทั้งสองด้วย Apidog CLI

การให้คะแนนผลลัพธ์ยาว ๆ ยี่สิบชิ้นด้วยมือเป็นงานของ coding agent ของคุณ Apidog CLI มอบ environment, test scenario, การรันแบบขับเคลื่อนด้วยข้อมูล และรายงานให้กับ agent และมันรันบนเครื่องของคุณเอง ปลายทาง localhost จึงใช้งานได้

ติดตั้งแล้วให้ skill แก่ agent ของคุณ:

npm install -g apidog-cli@latest apidog login --with-token <YOUR_TOKEN> npx -y skills add https://apidog.com # pick your agent when prompted 

จากนั้นส่งพรอมป์ต์เดียวให้ Claude Code, Codex, Cursor หรือ OpenCode:

In Apidog project <id>, create two environments: qwen-base at http://localhost:8001 and qwen-edited at http://localhost:8002. Create a test scenario that POSTs to /v1/chat/completions with the body in request.json, using {{question}} from the first 10 GSM8K test questions in gsm8k-10.csv. Assert that the last \boxed{} value equals {{answer}} and that choices[0].finish_reason is not "length". Run it against both environments and give me a table: correct answers and length finishes per model. 

agent จะอ่านสกีมาของเพย์โหลด ตรวจสอบ JSON ของมัน แล้วรันคำสั่งเหล่านี้:

apidog environment create qwen-base --project <id> --base-url http://localhost:8001 apidog environment create qwen-edited --project <id> --base-url http://localhost:8002 apidog cli-schema get test-scenario-create apidog cli-schema validate test-scenario-create --file scenario.json apidog test-scenario create --project <id> --file scenario.json apidog run -t <scenarioId> --project <id> -e <baseEnvId> \ -d gsm8k-10.csv --timeout-request 1800000 -r cli,json --out-file qwen-base apidog run -t <scenarioId> --project <id> -e <editedEnvId> \ -d gsm8k-10.csv --timeout-request 1800000 -r cli,json --out-file qwen-edited 

-d ป้อนข้อมูลแต่ละแถวของ CSV เป็นหนึ่งรอบวน --timeout-request มีหน่วยเป็นมิลลิวินาที และคำตอบที่วนซ้ำอาจใช้เวลาหลายนาทีกว่าจะเผาโทเคนครบ 32,768 -r cli,json พิมพ์สรุปและเขียนรายงาน JSON ที่ agent นำไป diff ได้ โจทย์ 10 ข้อนั้นมาจาก ชุดทดสอบ GSM8K

ถ้าการรันของคุณออกมาเหมือนของผู้เขียน คำตอบของโมเดลฐานส่วนใหญ่จะไม่ผ่านการตรวจ finish_reason และคำตอบที่แก้ไขแล้วส่วนใหญ่จะผ่าน โจทย์ 10 ข้อเป็นการทดสอบแบบสมอก ไม่ใช่ benchmark ดังนั้นให้มองช่องว่างเป็นสัญญาณ ไม่ใช่คะแนน เพิ่ม --upload-report เพื่อดูการรันในแอป และดู เอกสารอ้างอิงคำสั่ง apidog run สำหรับแฟล็กทุกตัว

สกีมาเดิมนี้ใช้เป็น regression test ได้กับการสลับโมเดลใดก็ได้ คู่มือ Apidog CLI CI/CD แสดงวิธีตั้งค่า -r junit

สิ่งนี้หมายความว่าอย่างไรถ้าคุณปล่อยโมเดลขนาดเล็ก

• วัดการตัดทอน ไม่ใช่แค่ความแม่นยำ ตัวเลข 7.9% ของ Qwen ปิดบังโมเดลที่ส่วนใหญ่คิดไม่จบ การตรวจ finish_reason จับเรื่องนี้ได้
• มองหาความล้มเหลวที่มีสาเหตุเดียว การวนซ้ำและการพูดซ้ำอาจอยู่ในส่วนแคบ ๆ ของโครงข่าย
• อย่าลืมกลุ่มควบคุม ถ้าโมเดลของคุณตอบผิดมากกว่าติดอยู่ การแก้ไขแบบนี้จะไม่ช่วย

กำลังเลือกระดับ GPT-6 สำหรับงาน agent อยู่หรือเปล่า? ดู GPT-6 Luna vs Sol vs Astra

คำถามที่พบบ่อย

GPT-6 Astra ฝึก Qwen3.5-0.8B หรือไม่? ไม่ ผู้เขียนไม่อนุญาตให้ใช้ gradient descent และไม่มีลูปการฝึก Astra แก้ไขค่าน้ำหนักในเซสชัน Python และสังเกตโมเดลผ่านเพียง 10, 25 หรือ 50 forward pass เท่านั้น

การแก้ไขเปลี่ยนค่าน้ำหนักไปกี่ค่า? 131,072 ค่า ซึ่งผู้เขียนระบุว่าเป็น 0.016% ของโมเดล การเปลี่ยนแปลงอยู่ในเมทริกซ์ down_proj ของ MLP ในชั้นที่ 15 และ 19 ชั้นละ 64 คอลัมน์เอาต์พุต

โมเดลที่แก้ไขแล้วมีให้ใช้หรือไม่? มี ในชื่อ RikiyaT/Qwen3.5-0.8B-weight-space-programming บน Hugging Face ภายใต้ Apache 2.0 พร้อมแฮชของเทนเซอร์สองตัวที่เปลี่ยนไป และการรันซ้ำโดยอิสระ (51.0% บน MATH-500)

ทำไมคะแนนคณิตศาสตร์จึงพุ่งขึ้นมาก? เพราะโมเดลฐานวนซ้ำ บน MATH-500 มี 93.0% ของคำตอบที่ชนขีดจำกัด 32,768 โทเคน การแก้ไขลดตัวเลขนั้นเหลือ 33.1% โมเดลจึงคิดคำตอบที่มันคิดได้อยู่แล้วจนจบ มันไม่ได้เรียนคณิตศาสตร์ใหม่

weight-space programming ใช้ได้กับทุกโมเดลหรือไม่? ยังไม่ใช่ ตามที่ผู้เขียนเองกล่าว บน Gemma 3 270M ซึ่งแทบไม่วนซ้ำ การแก้ไขที่ดีที่สุดขยับ MATH-500 จาก 6.8% เป็น 7.7% ผู้เขียนเรียกผลลัพธ์ทั้งหมดของตนว่า early มาก

ทดสอบโมเดลที่แก้ไขแล้วโดยไม่เขียนโค้ดได้ไหม? ได้ เดโม Space บน Hugging Face รันโมเดลทั้งสองกับโจทย์ที่คุณพิมพ์ สำหรับการตรวจสอบที่ทำซ้ำได้ ให้ใช้ vLLM ร่วมกับ Apidog CLI ตามที่แสดงข้างต้น