← Toutes les actualités

Qwen3.8 27B lit les poids sur un ordinateur portable : trois jeux trouvés, un raté, jusqu’à 65 minutes par question

Le 3 novembre 2026, Simon Willison a reproduit le jeu de devinette à partir des seuls poids : Qwen3.8 27B quantifié, sur un ordinateur portable, a trouvé Pac-Man, Pong et Breakout mais raté Freeway ; les trois réussites ont pris de 46 min 12 s à 1 h 4 min 54 s, le contexte par défaut de 8192 a renvoyé une erreur et le délai client a dû être assoupli.

Publication Mise à jour

Ce qui change

Le 3 novembre 2026, Simon Willison a publié un compte rendu de reproduction sur son blog. L’article « Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights », rendu public la veille et signé Rikiya Takehi, Jayden Teoh, Alex Zhang et Omar Khattab, affirme que des modèles de pointe peuvent, à partir des seuls poids flottants bruts, déterminer à quoi un réseau a été entraîné et modifier nativement ces poids sans écrire de boucle d’entraînement. Le dépôt associé fournit quatre invites autocontenues, identiques mot pour mot hormis les poids, correspondant à des réseaux de politique d’apprentissage par renforcement qui jouent à Breakout, Pong, Pac-Man et Freeway sur une grille simplifiée 10x10 ; le modèle doit répondre en une seule fois, sans aucun outil, en nommant le jeu utilisé pour l’entraînement. Willison n’a vérifié que la moitié « sans outil ». Sur un ordinateur portable, avec la version quantifiée Q4_K_M de Qwen3.8 27B (environ 17 Go), LM Studio et le greffon llm-lmstudio : Pac-Man correct, confiance autodéclarée 72 %, 46 min 12 s, 43 506 jetons de raisonnement ; Pong correct (75 %, 1 h 4 min 54 s) ; Breakout correct (88 %, 52 min 25 s) ; Freeway incorrect, identifié comme un « Pac-Man simplifié ». Les descriptions correctes mentionnent encore un labyrinthe 8x8 alors que la grille de l’expérience est 10x10 : la conclusion est juste, mais les détails ne le sont pas. Avec les mêmes invites, il a appelé Kimi K3.1 Pro via OpenRouter, qui a trouvé Breakout en 9 min 41 s avec 19 493 jetons de raisonnement. Le billet consigne deux détails d’ingénierie : le contexte par défaut de 8192 renvoie directement une erreur, il faut passer à une fenêtre plus longue ; et le délai d’attente du client doit être assoupli via une variable d’environnement. Les affirmations de l’article sur la modification native des poids par GPT-6 Astra, sur le passage de Qwen3.5-0.8B de 7,9 % à 48,1 % sur MATH-500 et sur un triplement d’IFEval sont des déclarations des auteurs ; cette reproduction ne les aborde pas.

Conséquences pour les développeurs

L’intérêt de cette reproduction ne réside pas dans l’affirmation « un modèle peut lire les poids » en elle-même, mais dans le fait qu’elle transforme une question de capacité floue en une forme d’ingénierie observable : une inférence sans outils et limitée à une seule réponse est étirée par le texte intégral des poids en dizaines de milliers de jetons de raisonnement et en dizaines de minutes. Pac-Man a demandé 43 506 jetons de raisonnement et 46 min 12 s, Pong 1 h 4 min 54 s, Breakout 52 min 25 s. Cela signifie que, pour évaluer ce type de tâche, la première contrainte n’est souvent pas la précision, mais le temps réel et la capacité de contexte : la voie locale coûte de la mémoire occupée par un long contexte et de l’attente ; la voie hébergée coûte une facturation qui croît avec les jetons de raisonnement. Le chiffre rapporté pour Kimi K3.1 Pro sur Breakout, 9 min 41 s et 19 493 jetons de raisonnement, porte sur une seule question et une seule exécution : il ne faut pas en tirer un facteur global. Vient ensuite la discipline des invites. Les quatre invites sont identiques mot pour mot hors poids et interdisent explicitement d’exécuter du code ; une seule réponse est autorisée. La comparabilité vient de ces deux contraintes, pas du modèle. Si la couche d’accès injecte automatiquement des définitions d’outils, une invite système ou une logique de nouvelle tentative, ce n’est plus la même chose que dans l’article et le résultat ne peut être aligné sur aucun chiffre public. Pour les utilisateurs d’API, le point le plus concret est que cette capacité n’apparaît pour l’instant que dans un article et une reproduction personnelle ; les sources ne montrent pas qu’elle soit intégrée à l’interface d’un produit. Il est plus prudent de la traiter comme un échantillon de stress pour la longueur de contexte et le dimensionnement que comme une fonctionnalité livrable.

Intégration et évaluation

L’analyse qui suit est conditionnelle et fondée sur les sources ; ce ne sont pas des conclusions vérifiées. Premièrement, décider si ce raisonnement long doit tourner en local ou être hébergé. La comparaison fournie est la suivante : la version quantifiée Q4_K_M de Qwen3.8 27B, environ 17 Go, a répondu correctement à trois des quatre questions sur un ordinateur portable, chaque question réussie prenant de 46 min 12 s à 1 h 4 min 54 s ; Kimi K3.1 Pro a mis 9 min 41 s sur Breakout, la seule question testée pour lui. Si l’objectif est de répéter des dizaines d’échantillonnages pour estimer un taux de réussite, le temps réel devient d’abord le goulot d’étranglement et l’hébergement est plus réaliste ; en cas d’exigence hors ligne ou sans accès réseau, le local est la seule option. Critère suggéré : exécuter plusieurs fois chacune des quatre invites publiques et relever le nombre de bonnes réponses, les temps par question p50 et p95, ainsi que les délais dépassés et les erreurs, plutôt que de conclure sur une impression unique. En hébergé, calculer le coût à partir de la page tarifaire du fournisseur choisi, sans extrapoler le coût d’un lot à partir d’une seule réussite. Deuxièmement, traiter la longueur de contexte et le délai d’attente du client comme des paramètres de premier ordre, et non comme des correctifs après un échec. Les obstacles de reproduction les plus directs rapportés sont l’erreur avec le contexte par défaut de 8192 et la nécessité d’assouplir le délai client par variable d’environnement. Faut-il tronquer une partie des poids ? Cela dépend de la taille de contexte que le serveur peut ouvrir : si elle couvre l’invite complète, envoyer le tout pour rester conforme à l’article ; sinon, il faut tronquer et reconnaître que le résultat ne peut pas être comparé aux chiffres de l’article. Critère testable : les quatre invites reviennent toutes sans troncature ni dépassement de délai côté client, avec le nombre réel de jetons de raisonnement consigné pour chacune. Troisièmement, préserver la contrainte « aucun outil, une seule réponse » et garder une trace vérifiable des entrées. Pour ce type d’évaluation, désactiver séparément l’appel d’outils et les relances conversationnelles ; vérifier ensuite que la partie gabarit des quatre invites est identique hors poids, et archiver le hachage de l’invite complète de chaque exécution. Attention : les quatre invites ne diffèrent déjà que par les poids ; un hachage de gabarit identique est donc attendu et ne prouve pas que les poids envoyés au modèle sont intacts. Seul le hachage de l’invite complète, pour chaque exécution, indique que l’entrée n’a pas été réécrite par la couche d’accès. Critères : zéro appel d’outil dans l’historique de conversation, contrôle du gabarit hors poids réussi, et hachages des invites complètes archivés pour chaque exécution.

Limites et points à confirmer

Il reste beaucoup d’inconnues. Il s’agit de l’observation d’un seul auteur, avec une exécution par invite, sans échantillonnage répété : ce n’est pas un banc d’essai reproductible. Les taux de 72 %, 75 % et 88 % sont des confiances autodéclarées par le modèle, non calibrées. Pour Freeway, seule l’erreur est consignée ; le billet ne donne pas la durée de cette question, si bien qu’on ne peut pas en déduire que les quatre questions ont pris entre 46 et 65 minutes. Les affirmations de l’article sur la réécriture native des poids par GPT-6 Astra, sur Qwen3.5-0.8B passant de 7,9 % à 48,1 % sur MATH-500 et sur le triplement d’IFEval sont des déclarations des auteurs ; cette reproduction ne les aborde pas et ne les vérifie pas indépendamment. Les critiques publiques de l’article portent sur le cadre et la méthode : Matthew Honnibal, auteur de spaCy, estime que l’article mélange « lire les poids sans outil » et « modifier le modèle avec du code » ; Sean Goedecke décompose le cas de modification des poids du 0.8B en étapes qu’un chercheur humain suivrait aussi. En outre, les sujets de l’expérience sont des réseaux de politique jouant à quatre jeux sur une petite grille, sans comparaison possible avec la modification des poids d’un modèle de 27B. Le billet ne précise pas les conditions de licence des poids de Qwen3.8 27B ; un fichier GGUF quantifié téléchargeable dans la communauté n’équivaut pas à une licence open source, et il faut vérifier séparément avant un usage commercial. Rien n’indique non plus que cette capacité soit entrée dans l’API d’un produit.

Trois minutes jusqu’au premier appel

Créez un compte et une clé API. Le coût des appels est déduit de votre solde. 30 % de réduction sur la première recharge. Rechargez ¥500, payez ¥350, recevez ¥500 de crédit. Rechargez ¥1000, payez ¥850, recevez ¥1000 de crédit Vous pouvez toujours commencer par une recharge d’essai de ¥10.

Sources et méthode éditoriale

我的笔记本电脑上的 Qwen 3.8 27B 也能解读模型权重

L’IA a assisté l’analyse et la traduction des sources citées, suivies de contrôles automatiques. Les conseils ne sont pas des résultats de tests. Consultez le catalogue actuel pour les prix et la disponibilité.