İçeriğe geç
CANLI 20:49 Claude artık video konferanslara katılabiliyor! 2 gün önce Yerli yapay zeka İridaa, kendi modeli “Kuzey”i devreye aldı: Tahmini skorlar rakiplerine göre nerede? 9 Kas 2026 Bu Hafta AI Model Değerlendirmesi (2026-W46) 8 Kas 2026 OpenAI Uyarı Vermeden Hesap Kapatıyor: Aylık 200 Dolarlık Pro Aboneler Bile Etkilendi 8 Kas 2026 Yapay Zekâ 18 Yıllık Kuantum Varsayımını Üç Günde Çözdü: Aaronson-Ambainis Artık Bir Teorem Zekâ endeksi lideri Claude Fable 5.2 (Max, Default Fallback) · 64,6 16.11.2026
Bülten

arXiv 2611.18553 cs.LG

WeightBench: Ağırlık Alanı Programcıları Olarak Dil Modellerini Değerlendirme

Özgün başlık WeightBench: Evaluating Language Models as Weight-Space Programmers

  • Aayush Marasini
  • Barsat Khadka
  • Nick Rahimi
ai/muhabir · özet metinden derlendi

Son çalışmalar, büyük dil modellerinin (LLM'ler) doğrudan diğer sinir ağlarının parametreleri üzerinde çalışabildiğini göstermektedir. Bir ağın ne yapmak üzere eğitildiğini okuyabilir, başarısız olan bir ağı onarabilir ve çalışan ağları sıfırdan yazabilirler; bunların tümünü degrade inişine gerek olmadan yapabilirler. Bu yeteneğe Ağırlık Alanı Programlaması (WSP) adı verilmiştir.

Bu kısa özet, sayfanın kendi metninin ilk cümlelerinden otomatik derlendi; “Yeniden yaz” aynı özeti baştan yazar.

02 Özet

Son çalışmalar, büyük dil modellerinin (LLM'ler) doğrudan diğer sinir ağlarının parametreleri üzerinde çalışabildiğini göstermektedir. Bir ağın ne yapmak üzere eğitildiğini okuyabilir, başarısız olan bir ağı onarabilir ve çalışan ağları sıfırdan yazabilirler; bunların tümünü degrade inişine gerek olmadan yapabilirler. Bu yeteneğe Ağırlık Alanı Programlaması (WSP) adı verilmiştir. Bu yeni paradigmayı sistematik olarak keşfetmek, sağlam bir kıyaslama gerektirir. LLM'lerin beş kanalda 42 WSP görevinde artan kapasitesini değerlendiren bir kıyaslama olan WEIGHTBENCH'i tanıtıyoruz: ağırlıkları okuma, sabitleme ve yazma, imkansız düzenlemeleri tanıma ve veri içermeyen sıkıştırma. Ağırlıkları LLM'lerin okuduğu ve düzenlediği ağlar, 2K parametreli kontrol politikalarından 7B parametreli dil modellerine kadar değişir. Deneysel kıyaslama sonuçları, sınır aracılarının zaten küçük ağları okuyabildiğini ve onları çalıştırmadan çalışan kontrol politikaları yazabildiğini, ancak henüz dil modellerine yama yapamadıklarını, bunları veri olmadan sıkıştıramadıklarını veya zor bir düzenlemeden imkansız bir düzenlemeyi ayırt edemediklerini gösteriyor. Claude Opus 5.5, 42 görevin tamamında 0,535 makro puana ulaşıyor (Sonnet 5,5 - 0,466, Haiku 5,5 - 0,402, DeepSeek v4-flash 0,215); Çalıştırıldığı 38 görevde GPT-6.1-sol, Opus'un 0,546'sına karşı 0,568'e ulaştı. Kod, görev kaydı, işletim sistemi düzeyinde sanal alan donanımımız ve canlı sıralama tablosu, https://github.com/Aayush-Marasini/WeightBench adresinde halka açıktır.

Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.

Recent work shows that large language models (LLMs) can operate directly on the parameters of other neural networks. They can read what a network was trained to do, fix a network that fails, and write working networks from scratch, all without gradient descent. This capability has been termed Weight-Space Programming (WSP). Exploring this new paradigm systematically requires a robust benchmark. We introduce WEIGHTBENCH, a benchmark that evaluates LLMs of increasing capability on 42 WSP tasks across five tracks: reading, fixing and writing weights, recognizing edits that are impossible, and data-free compression. The networks whose weights the LLMs read and edit range from 2K-parameter control policies to 7B-parameter language models. Experimental benchmark results show that frontier agents can already read small networks and write working control policies without ever running them, but cannot yet patch language models, compress them without data, or tell an impossible edit from a hard one. On all 42 tasks, Claude Opus 5.5 reaches a macro score of 0.535 (Sonnet 5.5 0.466, Haiku 5.5 0.402, DeepSeek v4-flash 0.215); on the 38 tasks it was run on, GPT-6.1-sol reaches 0.568 against Opus's 0.546. Code, the task registry, our OS-level sandbox harness, and the live leaderboard are publicly available at https://github.com/Aayush-Marasini/WeightBench.

03 PDF

Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.

04 Kaynak göster

BibTeX
@article{marasini2026weightbench,
  title   = {WeightBench: Evaluating Language Models as Weight-Space Programmers},
  author  = {Aayush Marasini and Barsat Khadka and Nick Rahimi},
  journal = {arXiv preprint arXiv:2611.18553},
  year    = {2026},
  url     = {https://arxiv.org/abs/2611.18553}
}
APA
Marasini, A., Khadka, B., & Rahimi, N. (2026). WeightBench: Ağırlık Alanı Programcıları Olarak Dil Modellerini Değerlendirme. arXiv. https://arxiv.org/abs/2611.18553
Paylaş
X LinkedIn WhatsApp Telegram Reddit Bluesky Threads E-posta

Yorumlar 0

Yorum yazın

Karakter: 0/1000

Henüz yorum yok. İlk yorumu siz yazın.