AI亲手改写Transformer架构！DeepSeek自我改造暴涨7分

新智元报道 AI看着自己的脑子改写自己 ，这一天还是来了！ 7630亿参数的DeepSeek-V4.1-Flash，直接读取了自己做数学题时最深7层的内部激活状态。 摸清「快要算偏」的信号规律后， 它在不改半个权重的前提下， 亲手写了一段Python代码塞进推理流程「读脑自救」！ 只要发现思路跑偏就当场回滚重算，在AIME与HMMT 2026数学竞赛上， 准确率原地暴涨7个百分点！ 而这，还只是今天刷屏AI圈的DoubleAI重磅研究里的一个切面。 这家由Mobileye创始人Amnon Shashua创立的AI机构， 首次提出了一个颠覆传统深度学习的新范式—— 「机制干预」 。 相比以往模型只能在写死的架构里硬调权重，这套方法把编程Agent放进了训练与推理现场。 在训练中途 ，哪一层网络卡壳了，Agent就当场写几行Python代码塞进模型主干，实时接管计算！ 靠着这手绝活，预训练模型只塞入20行代码，就在单次前向推理里跑起了梯度下降。 连塞10层代码后，30种经典算法的准确率更是从55%狂飙到 84% ！ 研究一经发布，迅速在AI圈引发刷屏热议。 创始人Amnon Shashua放话，深度学习已经彻底跨过了「只调权重」的旧边界。 现在， 连神经网络架构本身都能在训练中自主进化，人类手搓模型架构的时代翻篇了！ 联创Gal Beniamini更是感叹，当放手让大模型边训练边改写自己，最后长出来的架构连研究员都觉得不可思议。 它不再是纯粹的神经网络，而是 一半来自训练学出的权重，一半来自半路拼接的Python代码！ 在进入实验细节之前，我们先来看看这套「机制干预」到底是怎么运作的： 第一步是找瓶颈 ， Agent实时读取每层网络的梯度信号，揪出靠调权重学不会的短板。 第二步是写代码 ， Agent现场生成几十个候选Python函数，实测哪段代码最能帮模型降误差。 第三步是热插拔 ， 把胜出代码挂在初始值为0的门控后面并入网络，由后续训练自动把门控推开。 塞入20行代码，前向传播跑起梯度下降 第一组实验从语言模型预训练切入，验证训练中途塞入Python代码，能否帮模型更快压低预测误差。 在12层模型nanochat的1500步训练中，Agent先后三次出手塞入Python代码层。 每次代码一并入，模型预测误差（bpb）就 随之 连降三次 ！ 训满1500步后，加代码层的模型相当于 白赚了15%的训练进度 。 而打乱逻辑的「假代码对照组」与常规训练完全重合，证明提分全靠AI写出的代码逻辑。 面对12层网络，Agent之所以能找准往哪一层塞代码，靠的是 「幽灵梯度」 。 它假想在某层后加个新模块，测算往哪个方向推能让误差下降最快。 滤掉常规噪声后， 第2层和第4层 的高需求热区便清晰显现出来！ 锁定瓶颈层后，Agent写出几十个候选函数，在单批数据上实测谁最契合第2层的梯度方向。 接着，最高分函数挂在 初始值为0的门控 g 后面并入网络。 刚插入时门控输出为0，原有网络不受影响。 但短短100步内，梯度下降发现这段代码真能降误差，便自动把门控调整到了 0.58 ！ 靠着这套流程，Agent在第1000步往末层塞进了一个最惊艳的 「错误记忆层」 。 这短短20行代码之所以震撼，是因为它 打破了以往「前向只能推理、反向才能改错」的定式 ！ 不用等反向传播，模型边往后读就能边核对前文答案，当场算出预测误差，找出64个最相似的犯错位置。 紧接着，它直接在脑子里迈出一步梯度下降，在 单次前向传播内实现了边读边纠错 ！ 训练半路插代码，比天生自带强17分 既然Python代码层这么管用，那么从训练第0步就把代码层装进模型行不行呢？ 然而，第二组实验却测出了一个 完全反直觉的惊人反转 。 团队把模型的记忆窗口锁死在500词以内，考它能不能找回几千词之前的变量赋值。 同时，Agent写了一个能跨窗口查字典的「代码缓存层」，分三种时机装入模型： 常规训练基线 ， 超出500词窗口的变量全部忘光， 召回率考 0% 。 第0步天生自带组 ， 开训前就装好代码缓存层， 召回率停在 55% 。 第1200步半路插入组 ， 先练1200步再半路塞入同一个缓存层， 召回率冲上 72% ！ 同样的Python代码层， 训到半路才插进去，竟然比天生自带高出整整 17个百分点 ！ 这个反转揭开了深层原因，如果开训第一天就给现成的代码捷径， 神经网络就会「偷懒」依赖外部字典 ，不去打磨底层表征。 相反， 先强迫模型在500词限制下把基础表征练扎实 ， 撞上天花板后再接上Python代码，神经权重与符号代码才能发挥最大合力！ 连塞10层代码，填平算法0分盲区 验证了「半路插入」的优势后，第三组实验挑战30种经典计算机算法，检验连塞10层代码能带来什么质变。 传统Transformer学算法有个致命盲区，测试一旦遇上训练跳过的「中间长度」，准确率就会崩盘。 在下图中， 常规训练（灰线）碰到未见的中间长度瞬间掉到0% ， 接入代码层后（橙线）则稳居高位！ 从总分看，常规模型哪怕训满20000步，30种算法总准确率也只能达到 55% 。 到了第10000步，Agent每隔500步出手一次， 一口气连塞了 10个Python代码层 ， 帮模型记录「哪些节点访问过」以及「当前最小值」等关键状态。 短短5000步后，原本考0分的广度优先搜索干到 97% ，拓扑排序冲上 93% ，30种算法总准确率暴涨29个百分点，拿下 84% ！ 之所以能涨分这么猛，是因为 神经网络与Python代码在内部打出了精妙配合 。 比如代码层需要比较数字大小，但原始输入只是拆散的字符「8」和「3」。 Agent用 线性探针 挨层检测后发现，到了第4层， 神经网络已经把零散字符拼成了真正的数字 ！ 于是，代码层用探针从第4层读出数值82.6，在Python里完成比大小和循环更新后再写回网络，将神经表征与符号计算彻底打通。 DeepSeek读脑自救，数学竞赛暴涨7分 视线再回到开篇那一幕，看看已经训好的 DeepSeek-V4.1-Flash 与 Qwen3-8B 是如何靠写代码原地进化的。 团队将 DeepSeek-V4.1-Flash 在243道数学题上的做题轨迹，连同最深7层的内部激活状态交给它自己。 DeepSeek分析完犯错规律后，亲手写出探针重采样程序 probe_and_resample ， 杀进 AIME与HMMT 2026 考场！ 消耗相同的token预算，三组对照高下立判： 标准单次长思维链推理 ， 一条道走到黑， 准确率 63.9% 。 仅按长度重采样组 ， 只按字数盲目重算， 准确率仅 65.4% 。 DeepSeek自写探针组 ， 实时「读脑」提前止损， 准确率冲上 71.0% ， 暴涨超7个百分点！ 不改半个权重就能暴涨7分，全靠DeepSeek给自己写的这段监控代码。 以前大模型一旦走错思路，往往要白白算完几万个token才发现全错。 现在，思维链每推进到检查点，程序就会自动提取最深7层的激活特征打分，一旦测出轨迹偏离正常分布， 当场触发回滚重算 rollback ！ 此外， Qwen3-8B 也在零梯度更新下，不仅 自主进化测试了 150