# Qwen 3.8 känner igen spel utifrån neuronnätens vikter

> Simon Willison upptäckte att Qwen 3.8 27B, som kördes på en bärbar dator, identifierade tre av fyra spel utifrån deras nätverksvikter – utan verktyg. Varje svar tog nästan en timme eller längre.

Oossa · 2026-11-03 · https://oossa.com/sv/qwen-3-8-identifies-games-from-neural-network-weights

Simon Willison testade om Qwen 3.8 27B kunde identifiera ett spel genom att granska de råa vikterna i ett litet neuronnät, utan att köra kod eller använda andra verktyg. Han körde modellen, som är 17 GB stor, på sin bärbara dator och uppger att den identifierade Pac-Man, Pong och Breakout korrekt, men misstog Freeway för ett spel i stil med Pac-Man.

De lyckade svaren tog mellan 46 minuter och mer än en timme vardera. Willisons experiment handlar om att tolka vikter; det visar inte att Qwen redigerar eller förbättrar en annan modell – ett separat påstående som undersöks i artikeln han följde.

## Fakta

- Qwen 3.8 27B identifierade korrekt 3 av 4 spel utifrån nätverken i Willisons tester.
- Svaret om Pac-Man tog 46 minuter och 12 sekunder; svaret om Pong tog 1 timme, 4 minuter och 54 sekunder.

## Varför det spelar roll

För den som kör stora modeller lokalt tyder testet på att det kan gå att dra slutsatser om vad ett litet nätverk gör utifrån dess vikter, även om processen var långsam och modellen misslyckades med ett av fyra spel.

## Källor och referenser

1. [Qwen 3.8 27B on my laptop can interpret model weights, too](https://simonwillison.net/2026/Nov/3/qwen-can-interpret-model-weights/) – Simon Willison, 2026-11-03

Senast uppdaterad: 2026-11-03