arXiv 论文提出权重空间编程,用大语言模型直接写入权重控制真实拖拉机
Weight-space programming for tractor guidance controller: large language models natively write neural network weights that steer a real tractor
AI 导读
Timo Oksanen 在 arXiv 论文(arXiv:2611.21958)中提出权重空间编程,让 GPT-6 Astra 与 Claude Fable 5.1/5.2 在自然语言规范下不经梯度下降直接读写 253 参数神经网络权重,用于自动拖拉机导航。
推荐理由
论文提出让大语言模型直接读写神经网络权重的 Weight-Space Engineering 方法,并在真实拖拉机上验证了控制效果。
正文 · AI 翻译
摘要:权重空间编程是一种让大语言模型在自然语言规范的指导下直接读写神经网络权重的过程,无需优化器或梯度下降。本研究将其应用于拖拉机自动导航,其中一款253参数的神经网络沿直线和圆弧路径进行转向,并须在机器发生变化时进行调整,例如转向执行器变慢。GPT-6 Astra 和 Claude Fable 5.1(以及5.2)在仅使用少量模拟评估的预算下,为我们的研究拖拉机编辑网络,修复为另一台拖拉机训练的网络,并将控制器写入全零权重的网络。我们在仿真和真实拖拉机上将其与进化策略、梯度下降和纯追踪算法进行了比较。两个模型都能正确读取网络并用控制理论分析闭环,而 Fable 在无仿真情况下的修复仅偶有成功。在有仿真反馈的情况下,两个模型均在单次会话中修复了已训练的网络,并从零权重写出了可用的控制器,而进化策略从零开始却未能找到任何控制器。从零写出的控制器是稀疏的,且呈经典的级联结构;一个模型编辑了已训练的网络,而另一个则将其替换。梯度下降以多得多的仿真次数达到了更高精度,所有语言模型控制器均能在无人干预的情况下驾驶真实拖拉机,误差与纯追踪算法同一量级。语言模型可以直接对神经控制器的权重进行编程,正如控制工程师设计控制器一样。我们将这称为权重空间工程(Weight-Space Engineering)。
| 评论: | 20页,8幅图,8张表(其中1张在附录中);包含在真实拖拉机上的实地测试 |
| 学科: | 机器学习 (cs.LG);人工智能 (cs.AI);机器人学 (cs.RO);系统与控制 (eess.SY) |
| 引用方式: | arXiv:2611.21958 [cs.LG] |
| (本版本为 arXiv:2611.21958v1 [cs.LG]) | |
| https://doi.org/10.48550/arXiv.2611.21958 arXiv 通过 DataCite 发布的 DOI(待注册) |
提交历史
来自:Timo Oksanen [查看邮件]
[v1]
2026年11月16日 星期一 22:39:25 UTC (4,671 KB)
来源:arXiv cs.AI · arxiv.org