Qwen3.8 27B lê pesos e adivinha jogos num portátil: três acertos e um erro, até 65 minutos por questão
Em 3 de novembro de 2026, Simon Willison reproduziu o 'jogo de adivinhar apenas lendo os pesos' do artigo: a versão quantizada do Qwen3.8 27B num laptop acertou Pac-Man, Pong e Breakout, e errou Freeway; as três questões bem-sucedidas levaram de 46 min 12 s a 1 h 4 min 54 s; o contexto padrão de 8192 deu erro, e o timeout do cliente precisou ser ampliado.
O que mudou
Em 3 de novembro de 2026, Simon Willison publicou no seu blog um registo de reprodução. O artigo 'Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights', tornado público no dia anterior (autores: Rikiya Takehi, Jayden Teoh, Alex Zhang e Omar Khattab), afirma que modelos de fronteira conseguem determinar, apenas a partir dos pesos em vírgula flutuante em bruto, para que foi treinada uma rede, e que conseguem modificar nativamente os pesos sem escrever um ciclo de treino. O repositório que acompanha o artigo fornece quatro prompts autocontidos, idênticos palavra por palavra exceto pelos pesos, correspondentes a redes de política de aprendizagem por reforço que jogam Breakout, Pong, Pac-Man e Freeway numa grelha simplificada de 10x10; pede-se ao modelo que, sem usar ferramentas e respondendo uma única vez, diga para que jogo foi usado o treino. Willison verificou apenas a metade 'sem ferramentas'. Correu-o num laptop com a versão quantizada Q4_K_M do Qwen3.8 27B (cerca de 17 GB), LM Studio e o plugin llm-lmstudio: acertou Pac-Man, com confiança auto-relatada de 72%, em 46 min 12 s, consumindo 43 506 tokens de raciocínio; acertou Pong (75%, 1 h 4 min 54 s); acertou Breakout (88%, 52 min 25 s); errou Freeway, identificando-o como uma 'versão simplificada de Pac-Man'. Nas descrições das respostas corretas continuava a aparecer um labirinto 8x8, embora a grelha do experimento fosse 10x10, o que mostra que a conclusão estava certa mas os detalhes não eram precisos. Com o mesmo conjunto de prompts, chamou o Kimi K3.1 Pro através do OpenRouter e acertou Breakout em 9 min 41 s, com 19 493 tokens de raciocínio. O post regista dois detalhes de engenharia: o contexto padrão de 8192 dá erro direto, sendo necessário mudar para uma janela de contexto maior; e o timeout do cliente tem de ser ampliado através de uma variável de ambiente. As afirmações do artigo sobre o GPT-6 Astra modificar pesos nativamente, sobre elevar o MATH-500 do Qwen3.5-0.8B de 7,9% para 48,1% e sobre triplicar o IFEval são todas declarações dos próprios autores; esta reprodução não as abordou.
Impacto para desenvolvedores
O valor desta reprodução não está na afirmação 'o modelo consegue ler pesos' em si, mas em transformar uma questão vaga de capacidade numa forma de engenharia observável: uma inferência com ferramentas desativadas e uma única resposta permitida é esticada por todo o texto dos pesos para dezenas de milhares de tokens de raciocínio e uma tarefa de dezenas de minutos. No Pac-Man, 43 506 tokens de raciocínio e 46 min 12 s; no Pong, 1 h 4 min 54 s; no Breakout, 52 min 25 s. Isto significa que, ao avaliar este tipo de tarefa, a primeira restrição tende a não ser a precisão, mas o tempo real e a capacidade de contexto: a via local paga em memória ocupada pelo contexto longo e em tempo de espera, e a via hospedada paga em volume de faturação que cresce com os tokens de raciocínio. O relato indica que o Kimi K3.1 Pro gastou 9 min 41 s e 19 493 tokens de raciocínio no Breakout, mas trata-se de uma única questão e de uma única execução, não extrapolável para um multiplicador global. Segue-se a disciplina de prompts. Os quatro prompts são idênticos palavra por palavra exceto pelos pesos e proíbem explicitamente executar código, permitindo apenas uma resposta; a comparabilidade vem destas duas restrições, não do modelo em si. Se a camada de integração injetar automaticamente definições de ferramentas, prompts de sistema ou lógica de novas tentativas, o que se mede deixa de ser o que o artigo descreve e os resultados não podem ser colocados ao lado de quaisquer números públicos. Para os utilizadores de API, o ponto mais prático é que este tipo de capacidade aparece atualmente apenas no artigo e em reproduções individuais; o relato não mostra que já tenha entrado na API de qualquer produto. Tratá-la como amostra de stress para planeamento de comprimento de contexto e capacidade é mais prudente do que tratá-la como funcionalidade entregável.
Integração e avaliação
O que se segue é uma análise condicional baseada no relato, não conclusões verificadas. Primeiro, decida se este tipo de raciocínio longo fica local ou vai para um serviço hospedado. A comparação dada pelo relato é: a versão quantizada Q4_K_M do Qwen3.8 27B, com cerca de 17 GB, acertou três das quatro questões num laptop, e as três bem-sucedidas demoraram entre 46 min 12 s e 1 h 4 min 54 s cada; o Kimi K3.1 Pro levou 9 min 41 s no Breakout, a única questão em que foi testado. Se o objetivo for dezenas de amostragens repetidas para estimar a taxa de acerto, o tempo real torna-se primeiro o gargalo e a via hospedada é mais realista; se houver requisitos offline ou de não saída para a rede, a via local é a única opção. Sugere-se definir o critério diretamente como: executar cada um dos quatro prompts públicos várias vezes, registar o número de acertos, o tempo por questão p50 e p95, e o número de timeouts e erros, em vez de concluir a partir de uma única impressão. Na via hospedada, calcule o custo pela página de preços do fornecedor escolhido; não extrapole o custo em lote a partir do tempo de um único sucesso. Segundo, trate o comprimento de contexto e o timeout do cliente como itens de configuração prioritários, e não como algo a corrigir depois de uma execução falhar. Os obstáculos de reprodução mais diretos no relato são o erro com o contexto padrão de 8192 e a necessidade de ampliar o timeout do cliente por variável de ambiente. Se é preciso cortar parte dos pesos depende do contexto que o servidor consegue abrir: se cobrir o prompt completo, envie-o inteiro, mantendo a coerência com o critério do artigo; se não cobrir, é obrigatório truncar e reconhecer que os resultados truncados não podem ser comparados com os números do artigo. O critério testável é que os quatro prompts retornem todos sem truncamento e sem timeout do cliente, registando-se por item o número real de tokens de raciocínio. Terceiro, preserve a restrição de 'sem ferramentas, resposta única' e verifique o registo do input. Para este tipo de avaliação, desative separadamente as chamadas de ferramentas e as perguntas de acompanhamento em várias rondas; verifique depois se a parte de template dos quatro prompts, exceto os pesos, é idêntica, e guarde separadamente o hash do prompt completo de cada execução. Note que os quatro prompts já diferem apenas nos pesos; a igualdade do hash do template é o resultado esperado e não prova que os pesos enviados ao modelo estão intactos. Só o hash do prompt completo de cada execução mostra que o input não foi reescrito pela camada de integração. O critério é: zero chamadas de ferramentas no registo da conversa, validação do template sem pesos aprovada e hash do prompt completo de cada execução arquivado individualmente.
Limites e pontos a confirmar
São muitas as incógnitas a preservar. Esta é uma observação de um único autor, com cada prompt executado uma vez, sem amostragem repetida, e não constitui um benchmark reproduzível; 72%, 75% e 88% são confianças auto-relatadas pelo modelo, sem calibração. Para o Freeway registou-se apenas o erro; o post não indica o tempo dessa questão, pelo que não se pode inferir que as quatro questões caibam no intervalo de 46 a 65 minutos. As afirmações do artigo sobre o GPT-6 Astra reescrever pesos nativamente, elevar o MATH-500 do Qwen3.5-0.8B de 7,9% para 48,1% e triplicar o IFEval são declarações dos próprios autores; esta reprodução não as abordou nem as verificou de forma independente. As críticas públicas ao artigo incidem sobre o enquadramento e o método: Matthew Honnibal, autor do spaCy, considera que o artigo confunde 'ler pesos sem ferramentas' com 'alterar o modelo com código', enquanto Sean Goedecke decompõe o caso de correção de pesos do 0.8B em passos que investigadores humanos também tomariam. Além disso, os objetos do experimento são redes de política que jogam quatro jogos numa grelha pequena, sem comparação possível com a edição dos pesos de um modelo de 27B. O post não indica os termos de licença dos pesos do Qwen3.8 27B; um ficheiro GGUF quantizado da comunidade disponível para download também não equivale a obter uma licença de código aberto, pelo que é preciso verificá-lo separadamente antes de uso comercial. Também não há provas de que este tipo de capacidade tenha entrado na API de qualquer produto.