LLM手写权重玩游戏实验仓库发布
先了解这件事
LorenzoCiarpa 发布 small-games-llm 仓库，复现 LLM 不训练、不用工具、不执行代码，直接手写 MLP 权重玩游戏的实验，覆盖新游戏 Low Tide 与 MinAtar 的 Breakout、Seaquest、Asterix。仓库称 GPT-6 Astra 手写权重在 1000 个 episode 下得到 Breakout 512.5 ± 7.6、Seaquest 51.4 ± 1.4、Asterix 54.8 ± 1.1，与原文分数在约一个标准误内一致。 仓库说明，计分始终使用参考前向传播（small_games/weights.py），不使用模型写出的代码；MinAtar 游戏取自官方 minatar==1.0.15 包而非重新实现，该包作为 PyPI 依赖安装、不包含在仓库内。实验还对比手写权重与 PPO 训练权重的稀疏性和可读性，并测试以手写权重作为 PPO 起点时的表现。
AI 根据报道生成 · 15 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- GitHub · 去对齐工具与仓库精选small-games-llm 复现 LLM 手写权重玩游戏的实验
LorenzoCiarpa 发布 small-games-llm 仓库，复现 LLM 不训练、不用工具、不执行代码，直接手写 MLP 权重玩游戏的实验，覆盖新游戏 Low Tide 与 MinAtar 的 Breakout、Seaquest、Asterix。仓库中 GPT-6 Astra 手写权重在 1000 个 episode 下得到 Breakout 512.5 ± 7.6、Seaquest 51.4 ± 1.4、Asterix 54.8 ± 1.1，与原文分数在约一个标准误内一致。实验还对比手写权重与 PPO 训练权重的稀疏性和可读性，并测试以手写权重作为 PPO 起点时的表现。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 1011月7日 04:00
- 近 24 小时变化
- –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。