LLM直接读写神经网络权重，「权重空间编程」重塑AI自我改进路径

「权重空间编程」的核心突破在于：一个足够强大的语言模型，可以像阅读编译后的二进制文件一样，直接理解并操作另一个较小模型的权重参数。研究者展示了三项关键能力——判断权重所编码的行为逻辑、根据失败执行轨迹一次性定位并修复缺陷、以及在无需任何训练流程的情况下从头生成完整网络权重。这一发现已获得独立团队的初步复现，标志着AI领域在递归自我改进方向上完成了从0到1的跨越。

从历史背景看，Karpathy约8个月前提出的「自动研究」概念曾引发业界对递归自我改进的广泛讨论。彼时的主流路径是：让模型自主运行实验、编写训练代码、读取评估结果并迭代优化。而「权重空间编程」绕开了这一繁琐流程，直接在参数空间层面操作。研究者坦承，当前能力仍局限于简单游戏和强化学习策略等小规模场景，尚难扩展至更复杂任务，但其效率优势已引发广泛关注。

DeepSeek同期开源的超级智能体原型（dsh-superagent-prototype）采用分层架构：一个长生命周期的路由会话负责与人类交互并分配任务，隔离的工作节点并行执行具体工作，由GitHub事件触发调度。内部测试显示，相较于单会话多子智能体方案，该架构将任务完成时间的P95值从29.5分钟降至15.7分钟。审阅者崔添翼指出，「超级」指的是位于工作智能体之上的协调层，而非更强的智能本身，核心权衡在于跨任务连续性与吞吐量之间的平衡。

不过，该原型也存在明显局限。目前尚无内置的跨会话长期记忆机制，状态、计算与环境的分离大多未实现，安全性、隐私保护及智能体间通信均属开放问题，且仅在小规模可信内部环境中完成验证。批评者指出，DeepSeek的设计更多是围绕模型自身弱点（如幻觉）构建补丁，而非从根本上提升系统鲁棒性。此外，一份引用deepseek-v4.1-pro的README引发了版本发布猜测，但研究者确认该命名仅为占位符。

SemiAnalysis发布的GDPx基准测试为评估前沿模型的实际经济价值提供了新维度，覆盖芯片设计、软件工程、金融、生物学等11个领域共206项智能体任务。测试结果显示，Opus 5.5以12%的得分领跑，Gemini 4 Carbon以10.9%紧随其后，且成本约为前者的四分之一。整体得分普遍偏低，折射出当前模型在处理真实世界复杂任务时的能力瓶颈，也为下一阶段的模型研发指明了方向。

在更宏观的能力评估层面，Epoch能力指数显示DeepSeek V4.1F-1017得分159，与GPT 5.5持平，但在部分软件工程评测中得分接近零，仅在网络安全和量化交易领域接近前沿水平，呈现出明显的「尖峰型」能力分布。有分析人士指出，约7个月来尚无中国模型在ECI上超越Mythos Preview，但若对编程能力加权计算，差距将显著收窄。这些多维度的评估信号共同表明，模型能力的均衡性正成为下一阶段竞争的关键变量。

要点

• 大型语言模型已能直接读写小模型权重，「权重空间编程」无需传统训练流程即可实现模型行为的理解、修复与生成，递归自我改进从理论走向初步实践。
• DeepSeek超级智能体原型通过路由层与工作节点分离的架构，将任务完成时间压缩近半，但跨会话记忆、安全性等核心问题仍待解决。
• GDPx基准测试揭示前沿模型在真实经济任务上的得分普遍不超过12%，性价比成为模型选型的重要考量，Gemini 4 Carbon以更低成本接近顶尖水平。
• 当前模型能力呈现明显的「尖峰型」分布，在不同任务领域表现差异悬殊，能力均衡性正成为衡量模型实用价值的新维度。
• 权重空间编程目前仅在小规模简单任务上得到验证，能否扩展至复杂场景仍是关键未知数，但其出现已标志着AI自我改进能力的重要里程碑。