Qwen розпізнала гру з ваг: які підказки були в запиті
Що було в запитах Simon Willison, де Qwen помилилася і чому читання ваг маленької ігрової мережі відрізняється від зміни великої моделі.
Simon Willison описав запуск Qwen 3.8 27B на ноутбуці через LM Studio: модель визначала, для якої гри навчали маленьку нейромережу. У його опублікованих прикладах були правильні відповіді для Breakout, Pac-Man і Pong, але Freeway вона прийняла за Pac-Man-подібну гру. Це один авторський дослід, а не оцінка надійності Qwen загалом.
Запит містив більше за список чисел. Він пояснював сітку, канали спостереження, напрямки дій і будову мережі з 17 253 параметрами. NODVIEW завантажив чотири оригінальні файли й порівняв текст до початку ваг: інструктивна частина однакова. Вона прямо підписує, де агент, рухомі об’єкти, цілі й перешкоди. Тому результат варто описувати як висновок зі структурованих ваг та відомої схеми входів.
Є й практична межа ноутбучного запуску. Willison повідомляє, що стандартного контексту 8192 не вистачило; він збільшив контекст і тайм-аут. Пов’язані журнали містять окремі запуски тривалістю десятки хвилин. Ми звірили запити в журналах із збереженими оригіналами; саму генерацію не повторювали. Назва гри у відповіді й заявлена моделлю впевненість не замінюють перевірки правильності.
Окреме питання — зміна ваг іншої мовної моделі за допомогою Python. Це інший експеримент із дослідницького допису, на відмінності між ними вказують Matthew Honnibal і Sean Goedecke. Розпізнавання малої ігрової мережі без інструментів не доводить автоматично здатності безпечно поліпшувати довільну велику модель. Корисний наступний дослід мав би окремо змінювати опис каналів, мережу й гру та зберігати невдалі відповіді поряд із вдалими.