如果模型能像调试代码一样直接修改另一个模型的参数，AI 优化的成本结构会被重写。The Decoder 报道的一项 MIT 研究，给出了这种可能性的一个具体样本。

发生了什么

据 The Decoder 报道，MIT 研究者在实验中让 OpenAI 的 GPT-6 Astra 直接读取并有意改写另一个 AI 模型的权重，整个过程不依赖传统的训练流程。

最受关注的一组结果针对一个 Qwen 模型：Astra 只改动了该模型约 0.016% 的权重，就把它在数学任务上的准确率从 7.9% 提升到 48.1%。报道同时指出，这种方法确实能显著简化 AI 优化，但仍会遇到明确的限制——原文并未展开这些限制的具体内容，因此不宜过度外推。

需要说明的是，这是一项研究展示，而非已产品化的通用能力；数字本身来自特定实验设置，不能直接等同于在任意模型、任意任务上的效果。

为什么重要

常规的模型能力提升路径基本只有两条：继续预训练，或在特定任务上做微调与对齐。两者都依赖大量算力、数据和反复试错，且改动的是整个参数空间。

这项工作的不同之处在于“定向”：不是用梯度告诉模型该怎么变，而是让一个强模型去理解目标模型的权重结构，然后只动极小一部分参数。0.016% 这个比例之所以值得注意，是因为它暗示存在少数关键参数，改动它们带来的收益远高于随机扰动——这与业界关于稀疏微调、参数高效调整的探索方向一致，但把执行者从优化算法换成了一个模型本身。

换句话说，它把“模型优化”从训练工程问题，部分变成了一个推理与理解问题。

影响与看点

对开发者而言，最直接的含义是小模型的能力补齐可能不再需要完整训练管线：用一个更强的模型去“手术式”调整开源权重，成本和时间都可能大幅下降。这对资源有限的团队和边缘部署场景尤其有吸引力。

对行业而言，更值得关注的是安全与治理维度。能读权重、就能改权重；能提分，理论上也能植入特定行为。当模型具备跨模型修改参数的能力时，权重完整性和模型来源验证会变成更实际的问题。

还有几点需要观察：这种改写是否可迁移到数学之外的任务；被改动的模型是否在其他能力上出现退化；以及方法对模型架构的依赖程度。报道提到的“明确限制”很可能就藏在这些地方。

一个独立判断：这项研究真正的信号不是某个百分点的提升，而是模型开始具备操作其他模型内部表示的能力——这比一次基准测试的成绩更值得长期跟踪。