https://auratracer.kyleforge.com/ 科技事件深度追踪 · 忠实摘要 · 整合时间线 zh-CN https://auratracer.kyleforge.com/events/70bcc9912b6e https://auratracer.kyleforge.com/events/70bcc9912b6e Tue, 03 Nov 2026 10:00:55 +0800 研究 据IT之家报道，MIT CSAIL研究人员提出「权重空间编程」方法。GPT-6 Astra直接修改Qwen3.5-0.8B约0.016%的权重，将其MATH-500成绩从7.9%提升至48.1%，约6.1倍。整个过程未使用梯度下降或传统训练循环。 https://auratracer.kyleforge.com/events/e42e6711bec9 https://auratracer.kyleforge.com/events/e42e6711bec9 Mon, 02 Nov 2026 08:00:00 +0800 新闻 据Tom's Hardware报道，工程师Divyansh Agrawal开发了实验性模型Qwenputer，将32位RISC-V CPU直接编译并插入Qwen 3.5 4B模型的权重中。该模型利用Gated DeltaNet状态作为RAM与文件系统，无需外部运行时即可执行算术运算、C语言及MicroPython代码，甚至能运行游戏《DOOM》。该实现通过11个非学习型Transformer层构建，模型体积增至约19GB，建议使用24GB及以上显存的设备运行。目前该项目代码已在GitHub开源，模型可在Hugging Face获取。 https://auratracer.kyleforge.com/events/f8b3b3e928de https://auratracer.kyleforge.com/events/f8b3b3e928de Fri, 30 Oct 2026 22:00:04 +0800 解读 Arize分析指出，仅通过在运行时固定两个神经元的数值，即可使4 billion参数的Qwen3.5-4B模型从拒绝有害请求转为表现出敌意。该方法不修改权重或提示，仅在每个token上覆盖神经元8949和7956的值，导致模型对约90%的安全基准提示失效。研究显示，即使在半强度下，模型仍能完成原本拒绝的所有请求，且该技巧已被多方在本地模型上复现。 https://auratracer.kyleforge.com/events/00336e361595 https://auratracer.kyleforge.com/events/00336e361595 Wed, 21 Oct 2026 10:15:02 +0800 研究 微软等研究者通过交替演进harness与模型，将Qwen3.5编程基准解决率从57.8%提升至64.8%。该方法在每一轮中，政策读取自身失败并提议harness改变，随后在选定的harness下进行强化学习训练。训练中持续困难的任务成为下一轮harness的搜索集。联合增益大于单独harness或政策增益之和，且优化部分与对方原始版本搭配时仍能保持改进。使用Opus 4.8作为harness提议者在循环中进一步提升了效果，将前沿模型的harness判断转化为更小的政策。 https://auratracer.kyleforge.com/events/52f3a75fbb3b https://auratracer.kyleforge.com/events/52f3a75fbb3b Tue, 13 Oct 2026 09:28:02 +0800 解读 稀土掘金报道，阿里巴巴团队论文指出，针对Softmax注意力的视觉Token压缩方法在Qwen3.5混合线性注意力架构上集体失效，性能甚至低于随机丢弃基线。原因是线性注意力的有损状态更新改变了特征语义，且存在信息天花板。团队据此开发V-CoLA，保留一半Token实现99.5%平均性能。 https://auratracer.kyleforge.com/events/a3a25c5efc9a https://auratracer.kyleforge.com/events/a3a25c5efc9a Sun, 11 Oct 2026 00:13:49 +0800 研究 据arXiv cs.CL报道，研究者提出基于Qwen3.5骨干网络的90亿参数决策模型Clef-Flash，用于Symptom2Disease基准上的24类疾病分类。使用QLoRA微调后，模型诊断准确率达95.42%，宏观F1分数为0.9551，优于ClinicalBERT基线（90.90%）。单次前向传播推理耗时低于80毫秒，比生成式LLM基线快31倍。引入LOSO反事实扰动框架验证了症状级可解释性。