Simon Willison ने 3 नवंबर 2026 को बताया कि उनके लैपटॉप पर चल रहे खुले वेट वाले भाषा मॉडल ने छोटी न्यूरल नेटवर्कों के वेट देखकर कुछ खेल पहचान लिए। उनके प्रयोग में Qwen 3.8 27B ने Breakout और Pong पहचाने, एक नेटवर्क के लिए Pac-Man जैसी व्याख्या दी और Freeway पहचानने में असफल रहा। यह एक सीमित काम का दिलचस्प स्वतंत्र परीक्षण है। इससे यह साबित नहीं होता कि कोई मॉडल सिर्फ संख्याएं देखकर हर नेटवर्क को समझ या सुधार सकता है।
Willison का प्रयोग Rikiya Takehi, Jayden Teoh, Alex Zhang और Omar Khattab की 2 नवंबर की पोस्ट Sparks of Weight-Space Programming के बाद आया। लेखकों ने GPT-6 Astra की मदद से वेट पहचानने और बदलने, दोनों के प्रयोग बताए हैं। लेकिन ये अलग प्रयोग हैं। Willison ने गणना के टूल दिए बिना पहचान वाला काम परखा, जबकि गणितीय प्रदर्शन में बताए गए सुधार के लिए Python और मॉडल चलाने से मिले फीडबैक का इस्तेमाल हुआ।
न्यूरल नेटवर्क के भीतर आखिर पढ़ा क्या जा रहा है
वेट वे संख्यात्मक मान हैं जो तय करते हैं कि न्यूरल नेटवर्क के अंदर संकेत कैसे आगे बढ़ेंगे और आपस में जुड़ेंगे। सामान्य प्रशिक्षण में उदाहरणों और प्रदर्शन के लक्ष्य के आधार पर इन्हें बदला जाता है। इस काम में शोधकर्ताओं ने पूछा कि क्या भाषा मॉडल दूसरे नेटवर्क की संख्याओं और बनावट से उसके बारे में कुछ समझ सकता है, और कभी उनमें कोई लक्षित बदलाव भी चुन सकता है। यह प्रशिक्षण की प्रक्रिया बताने वाले कोड को समझाने से अलग है।
खेल पहचानने के काम में केवल संदर्भहीन संख्याएं नहीं दी गई थीं। प्रकाशित निर्देशों के अनुसार, मॉडल को 10 गुणा 10 बोर्ड का विवरण मिला, जिसके अंदर खेलने की जगह 8 गुणा 8 थी। साथ में इनपुट चैनल समझाए गए थे। वे खिलाड़ी, चलती वस्तुओं, पुरस्कार देने वाले लक्ष्यों, बाधाओं और पिछले फ्रेम की जानकारी को दर्शाते थे। संभावित क्रियाएं और नेटवर्क की बनावट भी पहले से बताई गई थीं।
चारों नेटवर्कों में 17,253 पैरामीटर और एक जैसी बनावट थी। वेट दशमलव के बाद तीन अंकों तक दिए गए थे। Willison ने लिखा कि उन्होंने जांचा था कि वेट छोड़कर सभी प्रॉम्प्ट समान थे। इससे निर्देशों के किसी स्पष्ट अंतर के आधार पर खेल पहचान लेने की संभावना घटती है। फिर भी यह इनपुट की व्याख्या वाला छोटा नेटवर्क था, बिना किसी जानकारी के सौंपा गया बड़ा अनजान मॉडल नहीं।
लैपटॉप पर क्या सफल हुआ और क्या नहीं
Willison ने LM Studio के जरिए Qwen 3.8 27B चलाया और इस काम के लिए कोई अतिरिक्त प्रशिक्षण नहीं दिया। उनके अनुसार, उन्हें कॉन्टेक्स्ट विंडो बढ़ानी पड़ी क्योंकि डिफॉल्ट पर्याप्त नहीं थी। निर्देश में कोड चलाने और कैलकुलेटर के इस्तेमाल पर रोक थी तथा वेट के आधार पर एक जवाब मांगा गया था। भाषा मॉडल चलाने के लिए सॉफ्टवेयर इस्तेमाल करने का अर्थ यह नहीं है कि उसे सवाल में दिए नेटवर्क की जांच करने का टूल भी मिल गया।
Willison द्वारा साझा जवाबों में मॉडल ने Breakout पहचानते हुए 88% विश्वास बताया, Pong के लिए 75% और Pac-Man जैसे खेल के लिए 72%। ये अपने उत्तर पर मॉडल के खुद दिए विश्वास के आंकड़े हैं। ये बड़े परीक्षण से मापी गई सफलता दर नहीं हैं। इनका अर्थ यह भी नहीं कि वह 100 में से 88 नेटवर्क सही पहचान लेगा। जब प्रतिशत किसी परीक्षा के नतीजे जैसे दिखते हों, तब यह फर्क खास तौर पर जरूरी है।
Freeway में मॉडल असफल रहा और उसे Pac-Man जैसा खेल बताया। Willison ने अलग से OpenRouter के जरिए Kimi K3.1 Pro चलाने की जानकारी दी। उसने 9 मिनट और 41 सेकंड बाद Breakout पहचाना। यह समय उसी रन का है, काम की सामान्य गति का दावा नहीं। सफलताएं और असफलता, दोनों बताना जरूरी है: कुछ पहचानें प्रभावशाली थीं और एक सीमा भी साफ दिखी, लेकिन व्यापक सटीकता का ठोस अनुमान नहीं मिला।
गणित वाला सुधार दूसरे प्रयोग का नतीजा था
मूल पोस्ट का सबसे चर्चित आंकड़ा Qwen3.5-0.8B के वेट बदलने के बाद MATH-500 स्कोर का 7.9% से 48.1% होना है। यह लेखकों द्वारा बताया गया नतीजा है, Willison की माप नहीं। मॉडल के नाम भी अलग हैं। Qwen3.5-0.8B वह मॉडल था जिसमें बदलाव हुआ, जबकि Qwen 3.8 27B उन मॉडलों में था जिन्हें Willison ने खेलों के नेटवर्क पहचानने के लिए इस्तेमाल किया।
मूल प्रयोग के विवरण के अनुसार, Astra को वेट वाली Python व्यवस्था, GSM8K और MATH के प्रशिक्षण सेटों से अभ्यास प्रश्न और फॉरवर्ड पास का बजट मिला। सबसे अच्छे नतीजे में 50 पास का बजट था और हर पास में कई प्रश्न हो सकते थे। शोधकर्ताओं ने ग्रेडिएंट आधारित प्रशिक्षण मना किया, लेकिन कोड और मॉडल के व्यवहार से मिली जानकारी की अनुमति थी। इसलिए सामान्य प्रशिक्षण के बिना काम करना, टूल या फीडबैक के बिना काम करना नहीं है।
लेखकों ने दो लेयरों के 131,072 वेट बदलने का विवरण दिया, जो मॉडल का लगभग 0.016% है। उनका कहना है कि बदलाव ने बार-बार एक ही विचार दोहराने वाले लूप में फंसने की प्रवृत्ति घटाई। उनकी तालिका में टोकन सीमा तक पहुंचने वाले उत्तर 93.0% से घटकर 33.1% हुए। इससे गणित के नतीजे का संदर्भ मिलता है: सुधार पहले अधूरे रह जाने वाले उत्तर पूरे करने में मदद कर सकता है। अपने आप यह बिल्कुल नई क्षमता पैदा होने का प्रमाण नहीं है।
शुरुआती स्थिति से नतीजे का अर्थ क्यों बदलता है
प्रयोग में थिंकिंग मोड चालू था और उत्तर के लिए अधिकतम 32,768 टोकन दिए गए थे। Qwen का मॉडल कार्ड चेतावनी देता है कि यह छोटा संस्करण थिंकिंग चालू होने पर लूप में फंस सकता है। उसका डिफॉल्ट मोड बिना थिंकिंग वाला है। इसलिए 7.9% को हर उचित सेटिंग में मॉडल की सामान्य गणित क्षमता नहीं मानना चाहिए। यह खास परिस्थितियों का स्कोर है और तुलना उन्हीं से जुड़ी रहनी चाहिए।
लेखकों ने खुद एक सीमा भी बताई। Gemma 3 270M पर अतिरिक्त प्रयोग में वे वैसा सुधार स्थापित नहीं कर सके। उनके अनुसार यह मॉडल लूप में बहुत कम फंसता है। उसका शुरुआती स्कोर 6.8% था और 50 पास के बजट पर 7.0% मिला। लेखक इसे मौजूद क्षमता को रोकने वाली बाधा हटाने और अनुपस्थित क्षमता जोड़ने के अंतर के रूप में देखते हैं। यह भी खास नतीजों की उनकी व्याख्या है, हर मॉडल पर साबित नियम नहीं।
प्रयोग के लॉग और बदलाव की फाइलें जारी करने से दूसरे लोग प्रक्रिया देख सकते हैं। इससे हर नतीजा अपने आप पूरा स्वतंत्र पुनरुत्पादन नहीं बन जाता। व्यापक निष्कर्ष के लिए दूसरी जनरेशन सेटिंग, दूसरे नेटवर्क और बार-बार किए गए रन की तुलना चाहिए। खेल पहचानने के मामले में यह देखना भी जरूरी है कि बनावट की कुछ जानकारी बदलने या हटाने पर क्या होता है। मौजूदा नतीजे अकेले ये सभी तुलनाएं नहीं देते।
दोनों प्रयोग अलग रखने पर क्या सामने आता है
Willison ने लिखा कि मॉडल की कुछ तर्क प्रक्रियाओं का पीछा करना कठिन था। उन्होंने यह भी कहा कि काम पर हो रही कुछ चर्चाएं उपलब्ध आधार से आगे जा रही हैं। लंबा तर्क पाठ इस बात की स्वतंत्र जांच नहीं है कि सही जवाब कैसे निकला। वह जांच की दिशाएं दे सकता है, लेकिन अकेले यह साबित नहीं करता कि मॉडल ने नेटवर्क की क्रिया सही गणना से निकाली या हर वेट समझ लिया।
उपयोगी अंतर तीन कामों के बीच है: छोटे नेटवर्क का प्रशिक्षण किस काम के लिए हुआ था, यह पहचानना; टूल की मदद से नेटवर्क बदलना; और बदले नेटवर्क का मूल्यांकन करना। हर काम के लिए अलग प्रमाण चाहिए। Willison का प्रयोग पहले काम को सीमित समर्थन देता है। लेखकों के नतीजे बाकी दोनों को खास व्यवस्था में बताते हैं। सबको बिना टूल वेट पढ़ने और लिखने के एक ही दावे में जोड़ना मुख्य पद्धतिगत अंतर मिटा देता है।
खबर उतनी ही दिलचस्प रहती है जितना वास्तव में दिखाया गया। स्थानीय रूप से चल रहे खुले मॉडल ने संख्याओं और समझाई गई बनावट से कुछ उपयोगी पहचानें कीं। शोधकर्ताओं ने दूसरे मॉडल में एक खास खराबी घटाने वाला लक्षित बदलाव बताया। Freeway की असफलता और शुरुआती सेटिंग की सीमा फुटनोट नहीं हैं। वे नतीजे का हिस्सा हैं और तय करते हैं कि अभी क्या सीखा जा सकता है और किस बात के लिए अगला प्रयोग जरूरी है।