Opus 5.5手写Transformer权重:13类任务全破百,无需训练
微软研究院联合多所高校提出“可解释权重空间编程”(iWSP)

26次独立运行、13类复杂算法任务,一个全新的神经网络在隐藏测试集上准确率全部达到100%。
更让人意外的是,训练过程没喂海量数据,「反向传播」和「梯度下降」也完全没用上。
这个满分网络小巧至极、晶莹剔透,出自Claude
Opus 5.5之手——代码一行一行直接「手写」出来的。
微软研究院与约翰斯·霍普金斯大学、哥伦比亚大学、纽约大学的团队近日联合发表了新研究「可解释权重空间编程(iWSP)」。
研究给出的结论是:前沿大语言模型已经能绕开传统优化器,依照固定的评测反馈精准构思计算逻辑,再以代码把算法直接写进Transformer的权重,手法如同外科医生。

不用反向传播,AI直接当起「钟表匠」
深度学习常被戏称为「炼丹」。
那场面像一群盲人围着一台布满几亿个旋钮的巨大控制台,谁也看不清里面长什么样,只能凭机器偶尔发出的「报错声」,摸索着拧这个、转那个。
几万步迭代下来,机器居然真就正常运转了,某些任务甚至比人类自己还高,堪称「原地飞升」。
可你要是追问一句:哪个旋钮管逻辑?哪个旋钮管记忆?没人答得上来。
效果拔群,原理不详——旋钮拧对了是玄学,拧错了是事故,中间隔着一整片无人能解释的黑箱。
工程应用上,只要预测得准,这勉强可以接受。但在脑科学、物理学等极其严肃的科学探索中,这个缺陷太致命。
研究团队指出的核心痛点正在这里:
神经网络预测得很好,但很难被理解。在以『解释』为终极目标的科学领域,这是一个严重的问题。
拿神经科学来说,深度编码模型能非常准确地预测大脑对自然刺激的反应,可它们根本说不出,究竟是刺激中的「哪些特征」驱动了这些反应。
为了打破这个死局,微软团队提出了iWSP。他们的决定是:不许用反向传播,直接让AI去设定那些旋钮。
在iWSP的框架中,Opus 5.5化身为创世者。
传统的工作流被它完全颠覆:
纯粹的推理: 面对任务,系统不允许Opus进行任何基于梯度的训练。每次迭代,智能体只能看到一个单一的验证分数(Validation score)。
Opus 得靠自身已有的先验知识,先想出一套计算逻辑,再用 Python 代码把这套逻辑直接写出来,把特征显式地定义好,最终折算成一个个具体的权重数值。
闭环迭代: Opus评估这些特征,重复利用已知的正确模块,并根据那个单一的分数反馈,不断修改代码。

平均每次跑39轮左右。
最终诞生的,是一个人类可以像阅读普通书籍一样,从头读到尾的「透明」Transformer。
它的每一个部分、每一行权重,都是AI「有意写就」。
反常识的地方在于,实验不光让AI造出了AI,还揭开了一个跟直觉拧着来的事实。
过去在AI圈子里,大家信的是「大力出奇迹」——千亿参数算起步,万亿参数才叫未来,神经网络嘛,越大越能干。
可这篇论文的数据把这个常识翻了个面。13类算法实验里,AI「手搓」出来的模型,在隐藏测试集上全部拿到100%的准确率。
但把Anthropic家族不同级别的模型摆在一起比,怪事就出来了:同样把算法题写到全对,越强的AI,写出的网络反而越小。
相对基础的Haiku 5.5手写网络,参数量中位数是100,000个;中等Sonnet 5.5需要的参数量中位数是41,600个。
当前最强的Claude模型Opus 5.5,手写网络的参数中位数只有166个!

166个参数,放在这个动辄千亿、万亿参数的大模型时代,简直像一颗微尘。
差距为什么这么离谱?日志里记下了Opus的「心路历程」:它的策略是先想办法写对,再一轮一轮往小里删。
起初为了保证逻辑跑得通,Opus也会先写一个大概3400个参数的网络。在可见集拿到100%满分后,它开始疯狂精简代码,剔除冗余计算、压缩复杂矩阵,硬生生把平均3400个参数删到了200个上下。

这情形跟学霸和学渣差不多。学渣(Haiku)不明白公式背后的道理,碰到不会做的题只能硬背,把各种可能情形全往脑子里装,于是一个「大本子」要装10万个参数。
而学霸(Opus)彻底看透了算法的本质,直接提炼出最核心的计算规则,所以只需要166个参数的「一张小纸条」。
这个发现极其震撼。它证明了:如果能找到真正正确的逻辑,解决复杂问题根本不需要堆砌。

从数学题到人类大脑,让科学免于「被糊弄」
你可能会问:费这么大劲,让AI手搓几个做数学题的极小模型,到底有什么用?答案是:为了真正的科学发现。
科学界目前正面临一个尴尬的困境。拿神经科学来说,科学家为了搞懂人类大脑,会使用现成的深度学习黑盒模型来预测大脑的反应。
模型确实预测得挺准,可科学家反倒愣住了:拿一个自己没弄懂的黑盒,去猜另一个同样没弄懂的黑盒(大脑),就算猜中了又怎样?大脑究竟怎么运转,照样不清楚。
真正要的是「解释」,光能「预测」不够。微软团队这套iWSP方法恰恰在这里派上了用场。
它造出来的网络,内部逻辑摊在明面上。研究团队把这个方法直接用到了极难的大脑数据(Brain Encoding Models)上,语言fMRI(功能性磁共振成像)实验里,iWSP立了大功。
碰上复杂的大脑数据集,若沿用传统的反向传播训练,黑盒模型为了刷高分,会悄悄拿数据里的瑕疵做文章。
而科学家根本无从察觉。
可换成iWSP,Opus 4.7是把模型一步一步明明白白写出来的。科学家分析这个全透明模型时,一下就觉出不对:它精准地揪出了数据集里的一个混杂漏洞。
问题就这么被摆到了明面上。

视觉皮层任务上也是这样。iWSP的预测效果压过了现有的可解释模型,还清楚呈现出大脑在早期视觉区和高级视觉区各自怎么做不同的计算。

到了听觉ECoG(皮层脑电图)数据,它成体系地找出并定义了那些能预测神经活动的「可解释声学特征」。

借助iWSP,AI真成了帮科学家找真理的显微镜。
AI自主进化的黎明时刻
读到这里,不少人怕是要喊出声:深度学习的「炼丹时代」到头了!往后训大模型不必再囤几万张英伟达H100,让超级AI直接写权重就完事!
且慢。
不过,iWSP在纯算法任务和脑响应预测里表现惊人,一进自然语言处理(NLP)任务就碰了壁。
像情感分类这类NLP任务,人类语言的特征本来就高度模糊、不成结构,幽默、反讽、多义词到处都是,压根没有一套绝对清晰的「数学公式」或「计算模块」能往里套。
这类任务上,Opus 5.5就显得吃力了。
为了把准确率撑到一定水平,它只能拼命加特征,模型参数量被撑到19万个左右。可参数都涨到19万了,情感分类也才72%;四个语言任务里,复述判断那一项连「全猜最常见答案」的基线都没过。
这就点出了iWSP眼下最要命的局限:它擅长的还是「重组已知的算法和计算模块」。
复杂表征的涌现,眼下仍旧得靠海量数据和梯度下降。
所以,绝不能据此断定通用大模型(AGI)已经不用训练了。
真正底层的基座模型,还是离不开算力的「暴力美学」。
话虽如此,微软这项研究仍是AI史上一座迷人的里程碑。
它向世界证明:在特定场景下,神经网络可以不走「盲目进化」那条路。