新智元报道

AI看着自己的脑子改写自己，这一天还是来了！

(资料图)

7630亿参数的DeepSeek-V4.1-Flash，直接读取了自己做数学题时最深7层的内部激活状态。

摸清「快要算偏」的信号规律后，它在不改半个权重的前提下，亲手写了一段Python代码塞进推理流程「读脑自救」！

只要发现思路跑偏就当场回滚重算，在AIME与HMMT 2026数学竞赛上，准确率原地暴涨7个百分点！

而这，还只是今天刷屏AI圈的DoubleAI重磅研究里的一个切面。

这家由Mobileye创始人Amnon Shashua创立的AI机构，首次提出了一个颠覆传统深度学习的新范式——「机制干预」。

相比以往模型只能在写死的架构里硬调权重，这套方法把编程Agent放进了训练与推理现场。

在训练中途，哪一层网络卡壳了，Agent就当场写几行Python代码塞进模型主干，实时接管计算！

靠着这手绝活，预训练模型只塞入20行代码，就在单次前向推理里跑起了梯度下降。

连塞10层代码后，30种经典算法的准确率更是从55%狂飙到84%！

研究一经发布，迅速在AI圈引发刷屏热议。

创始人Amnon Shashua放话，深度学习已经彻底跨过了「只调权重」的旧边界。

现在，连神经网络架构本身都能在训练中自主进化，人类手搓模型架构的时代翻篇了！

联创Gal Beniamini更是感叹，当放手让大模型边训练边改写自己，最后长出来的架构连研究员都觉得不可思议。

它不再是纯粹的神经网络，而是一半来自训练学出的权重，一半来自半路拼接的Python代码！

在进入实验细节之前，我们先来看看这套「机制干预」到底是怎么运作的：

• 第一步是找瓶颈，Agent实时读取每层网络的梯度信号，揪出靠调权重学不会的短板。

• 第二步是写代码，Agent现场生成几十个候选Python函数，实测哪段代码最能帮模型降误差。

• 第三步是热插拔，把胜出代码挂在初始值为0的门控后面并入网络，由后续训练自动把门控推开。

塞入20行代码，前向传播跑起梯度下降

第一组实验从语言模型预训练切入，验证训练中途塞入Python代码，能否帮模型更快压低预测误差。

在12层模型nanochat的1500步训练中，Agent先后三次出手塞入Python代码层。

每次代码一并入，模型预测误差（bpb）就随之连降三次！

训满1500步后，加代码层的模型相当于白赚了15%的训练进度。

而打乱逻辑的「假代码对照组」与常规训练完全重合，证明提分全靠AI写出的代码逻辑。

面对12层网络，Agent之所以能找准往哪一层塞代码，靠的是「幽灵梯度」。

它假想在某层后加个新模块，测算往哪个方向推能让误差下降最快。

滤掉常规噪声后，第2层和第4层的高需求热区便清晰显现出来！

锁定瓶颈层后，Agent写出几十个候选函数，在单批数据上实测谁最契合第2层的梯度方向。

接着，最高分函数挂在初始值为0的门控g后面并入网络。

刚插入时门控输出为0，原有网络不受影响。

但短短100步内，梯度下降发现这段代码真能降误差，便自动把门控调整到了0.58！

靠着这套流程，Agent在第1000步往末层塞进了一个最惊艳的「错误记忆层」。

这短短20行代码之所以震撼，是因为它打破了以往「前向只能推理、反向才能改错」的定式！

不用等反向传播，模型边往后读就能边核对前文答案，当场算出预测误差，找出64个最相似的犯错位置。

紧接着，它直接在脑子里迈出一步梯度下降，在单次前向传播内实现了边读边纠错！

训练半路插代码，比天生自带强17分

既然Python代码层这么管用，那么从训练第0步就把代码层装进模型行不行呢？

然而，第二组实验却测出了一个完全反直觉的惊人反转。

团队把模型的记忆窗口锁死在500词以内，考它能不能找回几千词之前的变量赋值。

同时，Agent写了一个能跨窗口查字典的「代码缓存层」，分三种时机装入模型：

• 常规训练基线，超出500词窗口的变量全部忘光，召回率考0%。

• 第0步天生自带组，开训前就装好代码缓存层，召回率停在55%。

• 第1200步半路插入组，先练1200步再半路塞入同一个缓存层，召回率冲上72%！

同样的Python代码层，训到半路才插进去，竟然比天生自带高出整整17个百分点！

这个反转揭开了深层原因，如果开训第一天就给现成的代码捷径，神经网络就会「偷懒」依赖外部字典，不去打磨底层表征。

相反，先强迫模型在500词限制下把基础表征练扎实，撞上天花板后再接上Python代码，神经权重与符号代码才能发挥最大合力！

连塞10层代码，填平算法0分盲区

验证了「半路插入」的优势后，第三组实验挑战30种经典计算机算法，检验连塞10层代码能带来什么质变。

传统Transformer学算法有个致命盲区，测试一旦遇上训练跳过的「中间长度」，准确率就会崩盘。

在下图中，常规训练（灰线）碰到未见的中间长度瞬间掉到0%，接入代码层后（橙线）则稳居高位！

从总分看，常规模型哪怕训满20000步，30种算法总准确率也只能达到55%。

到了第10000步，Agent每隔500步出手一次，一口气连塞了10个Python代码层，帮模型记录「哪些节点访问过」以及「当前最小值」等关键状态。

短短5000步后，原本考0分的广度优先搜索干到97%，拓扑排序冲上93%，30种算法总准确率暴涨29个百分点，拿下84%！

之所以能涨分这么猛，是因为神经网络与Python代码在内部打出了精妙配合。

比如代码层需要比较数字大小，但原始输入只是拆散的字符「8」和「3」。

Agent用线性探针挨层检测后发现，到了第4层，神经网络已经把零散字符拼成了真正的数字！

于是，代码层用探针从第4层读出数值82.6，在Python里完成比大小和循环更新后再写回网络，将神经表征与符号计算彻底打通。

DeepSeek读脑自救，数学竞赛暴涨7分

视线再回到开篇那一幕，看看已经训好的DeepSeek-V4.1-Flash与Qwen3-8B是如何靠写代码原地进化的。

团队将DeepSeek-V4.1-Flash在243道数学题上的做题轨迹，连同最深7层的内部激活状态交给它自己。

DeepSeek分析完犯错规律后，亲手写出探针重采样程序probe_and_resample，杀进AIME与HMMT 2026考场！

消耗相同的token预算，三组对照高下立判：

• 标准单次长思维链推理，一条道走到黑，准确率63.9%。

• 仅按长度重采样组，只按字数盲目重算，准确率仅65.4%。

• DeepSeek自写探针组，实时「读脑」提前止损，准确率冲上71.0%，暴涨超7个百分点！

不改半个权重就能暴涨7分，全靠DeepSeek给自己写的这段监控代码。

以前大模型一旦走错思路，往往要白白算完几万个token才发现全错。

现在，思维链每推进到检查点，程序就会自动提取最深7层的激活特征打分，一旦测出轨迹偏离正常分布，当场触发回滚重算rollback！

此外，Qwen3-8B也在零梯度更新下，不仅自主进化测试了15000个Python调度策略。

而且在AIME与HMMT 2026考场上，还将准确率从58.5%拉高到65.5%，同样狂涨7个百分点！

能省下算力实现逆袭，关键在于Qwen3-8B定制的这段代码。

32条并发轨迹每跑2048个token检查一次，满8条算出答案且榜首票数达第二名2倍以上，就提前终止全员省下算力。

而跑满12288个token未算完、重复率超0.35的「死循环复读」轨迹，则会被当场砍掉重启并降权投票！

以上这四组实验，清晰勾勒出了通往超级人工智能（ASI）最关键的一步——递归自我改进。

模型卡在哪个算子、崩在哪个长度，不再需要人类盯着Loss曲线一点点猜，AI读懂自己的内部状态，当场写几行Python代码就能给自己的大脑动手术。

从「人类调权重」迈向「AI写架构」，大模型已经开始亲手接管自己的神经网络，AI真正自我进化的时代，已经来了！

参考资料：

https://www.doubleai.com/research/can-llms-redesign-themselves-as-they-train

https://x.com/doubleaicom/status/2041555517853270296

https://x.com/AmnonShashua/status/2041556445947908456

编辑：摩西

关键词： 算法 代码 神经网络 自我改造 模型权重