「千万亿参数时代：模型真的太小了吗」

「把一台 NES 塞进大模型权重里，这个项目把推理变成了真模拟」

文章介绍开源项目 nesformer：它把 NES 的 6502 CPU、2KB 内存和卡带 ROM 编译进 Qwen3.5 的权重，模型按 token 输出 CPU 执行日志，宿主程序负责画面、手柄输入和 vblank 中断；沿用 Qwenputer 的思路，把 DeltaNet 状态当作机器内存读写，同一套权重可加载不同 NROM 游戏而无需重新训练或编译。作者用测试 ROM、启动序列和实际运行帧与传统 6502 模拟器逐项比对。局限包括速度远慢于真机、仅支持 NROM 和官方指令、无声音、PPU 在模型外部。适合对模型可解释性、神经网络与硬件模拟交叉方向感兴趣的人阅读。

审慎地理解缩放定律

Scaling Laws, Carefully

这是 Lilian Weng 博客上的一篇长文，系统梳理深度学习中的缩放定律：训练损失随模型规模、数据量和计算量呈幂律下降，核心问题是如何在模型规模与数据量之间最优分配算力。文章目录涵盖 Kaplan 与 Chinchilla 的结论及其调和、三种拟合方法（固定模型规模、IsoFLOP 曲线、参数化拟合）、幂律的成因，以及数据受限区间和实际拟合中的难点。

Show HN：约 1GB Qwen 权重里的可运行任天堂

Show HN: A working Nintendo in ~1GB of Qwen weights

一个 GitHub 项目，把 NES 的 6502 CPU、2KB 工作内存和卡带 ROM 编译进标准 Qwen3.5 检查点权重中，游玩时模型逐个 token 预测 CPU 执行日志，宿主程序负责画面、手柄和 vblank 中断；项目基于 Qwenputer 的编译器和“Gated DeltaNet 状态即机器内存”的做法，并说明自带测试游戏的每帧输出与常规 6502 模拟器一致。适合对模型权重内嵌计算、模拟器实现感兴趣的人看。