Imprint Reader 用 SMaRT 把冻结权重更新读成自然语言，并以 MetaEdit 把描述变成行为干预

提出并验证了从冻结权重更新中读出自然语言描述的可行性：Reader 在无锚点元查询下，对未见过的更新生成关于所学事实或行为倾向的描述，判定式 Pass@100 达到知识 2%、行为 16%。 此前的权重空间方法多预测准确率、微调任务等粗粒度属性，少数能语言化权重差异的工作局限于狭窄的专用领域，且容易为不含信息的更新编造描述；该工作把读出对象扩展到具体事实命题与行为倾向，并用无变化与随机扰动对照训练 Reader 在无可读语义时弃答。 训练数据含 8,592 条知识项与 8,592 条行为项，更新由 64 步内循环 LoRA 构建（秩最高 256），Reader 在 8 张 GPU 上以每批 64 个 episode（24 知识、24 行为、8 无变化、8 随机扰动）训练；评估使用 100 条知识、100 条行为留出项，每项 100 次随机生成，由 Qwen3-30B-A3B-Instruct-2507 按固定评分提示判定，并要求引用片段确实出现在生成文本中。

Reader 对目标行为的条件似然提供了可微的“目标行为—候选更新”差距代理，其坐标对齐梯度可经 MetaEdit 迁移回原模型，用于结构化干预。 以往权重读出止于监测，不提供作用于被读出对象的路径；该工作让 Reader 与父模型共享参数坐标，使读出信号直接成为干预信号，并选择投影输出行而非单个标量作为结构化干预单元。 在 2,088,960 个输出行上打分，先按对比梯度幅度保留前 50,000 行，再按与梯度的负内积选行；安全实验在 1,803 条提示（其中 1,253 条有害提示）上以固定拒答模式分类，并单独报告乱码率。

在安全维护目标下，Reader 引导的行剪枝在 0.5% 剪枝率把有害提示拒答率从 57.9% 提升到 64.1%，而拒答放松目标给出相反方向，多数基线未能区分这两个目标。 该结果把“用文字指定目标行为”直接接到参数级干预上，且 MetaEdit 使用目标自述句与固定对照句，而非有害或无害训练提示集合；用原模型而非训练后 Reader 计算梯度也无法产生同样的方向分离。 与 SetDiff、WANDA、ActSVD、Random 在相同行预算下比较；WANDA 与 ActSVD 剪枝后出现明显乱码，而各 MetaEdit 条件乱码率接近零。

在不使用目标任务训练数据、也不在推理时加入行为指令的情况下，MetaEdit 提升数学推理与工具调用表现：GSM8K 从 94.77% 到 95.00%，MATH-500 从 82.8% 到 83.0%，BFCL Overall 从 41.69% 到 44.60%，并提高回溯与子目标表达频率。 作者把这种“用行为描述驱动干预”的方式称为 vibe alignment；与把行为描述放进系统提示的 Direct Prompt 相比，编辑后的模型不再需要推理时行为指令，且 MetaEdit 的过程级自述比结果级自述（MetaEdit (Broad)）取得更高的数学与 BFCL Overall 分数。 数学与 BFCL 的系数在评估前固定，未用测试分数选择；BFCL 覆盖 5,106 个案例、22 个子集，按官方 Overall 聚合；回溯从 0.327 升到 0.687、子目标从 5.390 升到 6.015（每 1000 生成 token）。

该工作面向的是受控更新：每个更新对应单一知识项或单一行为倾向，Reader 与更新构建者都从同一个 Qwen3-14B 后训练检查点初始化，更新为 LoRA 形式。它适用于希望在不提供目标任务训练数据的情况下，用自然语言描述指定并施加行为改变的研究与工程场景，例如安全拒答行为的定位与剪枝、推理风格与工具调用风格的调整。作者明确说明，当前 Reader 并未在重建更新背后训练样本的任务上评估，因此结果不构成训练数据提取能力。

读者仍会关注：自由生成读出的可靠性如何跨更新提升，判定式 Pass@100 在更多模型与更新类型上是否保持同一量级；安全剪枝中良性提示的乱码与过度拒答在正文中未给出完整结果，作者说明该部分留作缺失而非置零；数学与 BFCL 的增益并非在所有子项上一致，MetaEdit (Broad) 在 Multi-turn 上领先、Direct Prompt 在 Live 与 Hallucination 上领先、未编辑模型在 Non-live 上最好；此外，Reader 与更新构建者共享同一父检查点这一设定，对跨模型迁移意味着什么仍是开放问题。