← Todas las noticias

Qwen3.8 27B en portátil lee pesos y adivina juegos: tres aciertos, un fallo y hasta 65 minutos en una pregunta

El 3 de noviembre de 2026, Simon Willison reprodujo el «juego de adivinar leyendo solo los pesos» del artículo: la versión cuantizada de Qwen3.8 27B en un portátil acertó Pac-Man, Pong y Breakout, y falló Freeway; las tres preguntas correctas tardaron entre 46 min 12 s y 1 h 4 min 54 s; con el contexto predeterminado de 8192 dio error y hubo que ampliar el tiempo de espera del cliente.

Publicado Actualizado

Qué ha cambiado

El 3 de noviembre de 2026, Simon Willison publicó en su blog un registro de reproducción. El artículo «Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights», hecho público el día anterior por Rikiya Takehi, Jayden Teoh, Alex Zhang y Omar Khattab, afirma que los modelos de frontera pueden determinar, solo con los pesos brutos en coma flotante, para qué se entrenó una red, y que pueden modificar los pesos de forma nativa sin escribir un bucle de entrenamiento. El repositorio que acompaña al artículo ofrece cuatro indicaciones autocontenidas, idénticas palabra por palabra salvo por los pesos, correspondientes a redes de política de aprendizaje por refuerzo que juegan Breakout, Pong, Pac-Man y Freeway en una cuadrícula simplificada de 10x10. Las indicaciones pedían al modelo no usar ninguna herramienta, responder una sola vez y decir con qué juego se había entrenado. Willison solo verificó la mitad «sin herramientas». Ejecutó en un portátil la versión cuantizada Q4_K_M de Qwen3.8 27B (unos 17 GB), con LM Studio y el plugin llm-lmstudio: acertó Pac-Man, con una confianza autodeclarada del 72 %, en 46 min 12 s y 43.506 tokens de razonamiento; acertó Pong (75 %, 1 h 4 min 54 s); acertó Breakout (88 %, 52 min 25 s); falló Freeway y lo identificó como una «versión simplificada de Pac-Man». En las descripciones de las respuestas correctas seguía apareciendo un laberinto de 8x8, mientras que la cuadrícula del experimento era de 10x10, lo que indica que la conclusión era correcta pero los detalles no eran precisos. Con las mismas indicaciones, llamó a Kimi K3.1 Pro a través de OpenRouter y acertó Breakout en 9 min 41 s y 19.493 tokens de razonamiento. La entrada del blog registra dos detalles de ingeniería: el contexto predeterminado de 8192 daba error directamente y había que cambiar a una ventana de contexto mayor; el tiempo de espera del cliente tuvo que ampliarse mediante una variable de entorno. Las afirmaciones del artículo sobre que GPT-6 Astra modifica pesos de forma nativa, que eleva MATH-500 de Qwen3.5-0.8B del 7,9 % al 48,1 % y que triplica IFEval son declaraciones del propio artículo; esta reproducción no las abordó.

Impacto para desarrolladores

El valor de esta reproducción no está en la afirmación «el modelo puede leer los pesos», sino en que convierte una pregunta difusa sobre capacidad en una forma de ingeniería observable: una inferencia con las herramientas deshabilitadas y una sola respuesta permitida se convierte, por el texto completo de los pesos, en una tarea larga de decenas de miles de tokens de razonamiento y decenas de minutos. Pac-Man: 43.506 tokens de razonamiento y 46 min 12 s; Pong, 1 h 4 min 54 s; Breakout, 52 min 25 s. Esto significa que, al evaluar este tipo de tareas, la primera restricción no suele ser la precisión, sino el tiempo real y la capacidad de contexto: la vía local paga en memoria ocupada por el contexto largo y en espera; la vía gestionada paga en facturación que crece con los tokens de razonamiento. El reporte indica que Kimi K3.1 Pro usó 9 min 41 s y 19.493 tokens de razonamiento en la única pregunta de Breakout, pero se trata de una sola pregunta y una sola ejecución; no puede extrapolarse a un multiplicador global. En segundo lugar, la disciplina de las indicaciones. Las cuatro indicaciones son idénticas salvo por los pesos y prohíben explícitamente ejecutar código y permiten una sola respuesta; la comparabilidad procede de esas dos restricciones, no del modelo. Si la capa de acceso inyecta automáticamente definiciones de herramientas, indicaciones de sistema o lógica de reintento, lo que se mide ya no es lo del artículo y el resultado no puede compararse con ninguna cifra pública. Para los usuarios de API, lo más práctico es esto: esta capacidad solo aparece por ahora en el artículo y en reproducciones personales; el reporte no muestra que haya entrado en la interfaz de ningún producto. Es más prudente tratarla como una muestra de presión para planificar la longitud de contexto y la capacidad que como una función entregable.

Integración y evaluación

El siguiente análisis es condicional y se basa en el reporte; no son conclusiones verificadas. Primero, decidir si esta inferencia larga se ejecuta en local o de forma gestionada. El contraste que ofrece el reporte es: la versión cuantizada Q4_K_M de Qwen3.8 27B, de unos 17 GB, acertó tres de cuatro preguntas en un portátil, y cada una de las tres correctas tardó entre 46 min 12 s y 1 h 4 min 54 s; Kimi K3.1 Pro tardó 9 min 41 s en Breakout, la única prueba en la que se midió. Si el objetivo es hacer decenas de muestreos repetidos para estimar la tasa de acierto, el tiempo real se convierte primero en cuello de botella y lo gestionado es más realista; si hay requisitos de trabajo sin conexión o de no salir a la red, la opción local es la única. Como criterio, sugiero fijar directamente: ejecutar varias veces cada una de las cuatro indicaciones públicas y contar los aciertos, los tiempos p50 y p95 por pregunta y el número de tiempos de espera agotados y de errores, en lugar de concluir por una sola impresión. Si se usa un servicio gestionado, calcular el coste según la página de precios del proveedor elegido, sin extrapolar el coste por lotes a partir del tiempo de un único acierto. Segundo, tratar la longitud de contexto y el tiempo de espera del cliente como parámetros de configuración prioritarios, no como algo que se arregla tras un fallo. Los obstáculos de reproducción más directos del reporte son el error con el contexto predeterminado de 8192 y la necesidad de ampliar el tiempo de espera del cliente mediante una variable de entorno. Si hay que recortar parte de los pesos depende de cuánto contexto pueda abrir el servidor: si cubre la indicación completa, enviarla entera para mantener la coherencia con el artículo; si no, hay que truncar y reconocer que el resultado truncado no puede compararse con las cifras del artículo. Un criterio medible es que las cuatro indicaciones devuelvan sin truncamiento y sin que se agote el tiempo de espera del cliente, registrando en cada caso el número real de tokens de razonamiento. Tercero, preservar la restricción de «sin herramientas, una sola respuesta» y verificar la trazabilidad de la entrada. Para este tipo de evaluación, desactivar por separado la llamada a herramientas y las preguntas de seguimiento; comprobar después que la parte de plantilla de las cuatro indicaciones, salvo los pesos, es idéntica, y guardar el hash de la indicación completa de cada ejecución. Ojo: las cuatro indicaciones solo difieren en los pesos, por lo que el hecho de que el hash de la plantilla coincida es lo esperado y no demuestra que los pesos enviados al modelo estén completos e intactos; solo el hash de la indicación completa de cada ejecución indica que la capa de acceso no reescribió la entrada. El criterio es que el número de llamadas a herramientas en el registro de conversación sea cero, que la comprobación de la plantilla sin la parte de pesos pase y que el hash de la indicación completa de cada ejecución quede archivado por separado.

Límites y cuestiones pendientes

Quedan bastantes incógnitas. Es la observación de un solo autor, con una ejecución por indicación, sin muestreo repetido; no constituye un benchmark reproducible; las confianzas del 72 %, 75 % y 88 % son autodeclaradas por el modelo y no están calibradas. De Freeway solo se registra el fallo; el blog no da el tiempo de esa pregunta, así que no puede inferirse que las cuatro preguntas estén en el intervalo de 46 a 65 minutos. Las afirmaciones del artículo sobre que GPT-6 Astra reescribe pesos de forma nativa, que eleva MATH-500 de Qwen3.5-0.8B del 7,9 % al 48,1 % y que triplica IFEval son declaraciones del propio artículo; esta reproducción no las abordó ni las verificó de forma independiente. Las críticas públicas al artículo se centran en el marco y el método: Matthew Honnibal, autor de spaCy, considera que el artículo confunde «leer pesos sin herramientas» con «modificar el modelo con código», mientras que Sean Goedecke desglosa el caso de modificación de pesos del modelo de 0.8B en pasos que un investigador humano también tomaría. Además, el objeto del experimento son redes de política que juegan cuatro juegos en una cuadrícula pequeña, algo no comparable con editar los pesos de un modelo de 27B. El blog no indica los términos de licencia de los pesos de Qwen3.8 27B, y un archivo GGUF cuantizado de la comunidad disponible para descarga no equivale a obtener una licencia de código abierto; hay que comprobarlo por separado antes de un uso comercial. Tampoco hay evidencia de que esta capacidad haya entrado en la API de ningún producto.

Tres minutos hasta la primera llamada

Crea una cuenta y una clave de API. El coste de las llamadas se descuenta de tu saldo. 30 % de descuento en tu primera recarga. Recarga ¥500, paga ¥350, recibe ¥500 de saldo. Recarga ¥1000, paga ¥850, recibe ¥1000 de saldo La recarga mínima sigue siendo de ¥10, adecuada para pruebas.

Fuentes y proceso editorial

我的笔记本电脑上的 Qwen 3.8 27B 也能解读模型权重

La IA ayudó con el análisis y la traducción de las fuentes citadas, seguidos de controles automáticos. Las recomendaciones no son resultados de pruebas. Consulta el catálogo actual para precios y disponibilidad.