IWIBench 让大模型直接改小模型权重：结构化输出十种配置全部零分，别名改写却能拿满
IWIBench 把“不改梯度、只改权重”的行为编辑变成可评分的受控任务：编辑模型只能用读写权重、运行目标、检查目标四个工具，在 Gemma 3 4B IT 上完成十类语义改写，再由干净进程对比改前改后的目标成功率与对照保持率。十个配置在同一批三十个片段上排名，6.1-sol 中等推理以 0.4601 的宏平均奖励居首，Astra 为 0.4356；结构化响应默认无人得分，答案长度控制只有 5.6-terra 取得正奖励。