Drew Breunig · nesformer · 阅读原文
发现渠道：Hacker News
nesformer 演示了一件古怪而明确的事：不训练模型玩游戏，而是把 NES 的6502处理器与部分内存编译成一个神经网络计算过程。它沿用 Divyansh Agrawal 的 Qwenputer 编译器，利用 Qwen3.5 架构中 Gated DeltaNet 的可更新状态——一块能随输入写入和读取的内部存储——来承载内存。权重由程序构造，不能理解成语言模型自己学会了仿真器。
项目实现151条官方处理器指令、2KB RAM和32KB程序ROM。DeltaNet状态承担可更新存储，网络层执行被编译的计算；绘图单元、控制器输入和时序事件等仍由宿主程序处理。产物遵循 Qwen 模型接口，但只有约4.67亿参数，并不是把原来4B模型的预训练权重直接拿来运行游戏。
README把验证拆成多个层次：参考CPU与既有仿真器核对，编译电路与参考token核对，再检查标准 Transformers 路径。作者报告参考CPU与 py65 对照了570万条游戏指令；标准框架路径核对了2,651个位置。不同规模的数字属于不同层，不能合并成对所有执行路径的完整证明。
即使用跳过零块的专用执行器，整体仍比真实主机慢150至290倍，也只支持部分卡带类型且没有音频。它的意义主要在展示可编程的神经网络计算与状态，而非提供更好的游戏模拟器。作者强调，成熟规格、参考实现和一致性测试，让这次借助编码Agent的构建变得可行。
可信度 65 · 重要性 84 · 新颖度 90
技术与主题
AI 编程 · 基础模型 · Gated DeltaNet · Neural Compilation · Conformance Testing
dbreunig
回应原帖：查看原帖上下文
作者回应项目构建过程；不是独立使用者复现。
忠实转述（非原句）：Breunig说这是一次为了好玩而做的尝试，预先知道会很慢。他把成功归于现成编译器、经典主机的成熟资料和一致性测试，而不只归于模型能力。
WoodenChair
回应原帖：查看原帖上下文
HN读者追问技术意义。
忠实转述（非原句）：WoodenChair质疑：既然数字逻辑本来就可以转换成权重，这个项目究竟增加了什么？这个问题有助于把可实现性演示与效率、学习能力上的突破分开。
编辑评读
这个项目最值得保留的判断变化是：“在模型权重里运行”不必意味着“通过数据学出来”。这里的网络更像编译目标，程序利用其算子和有状态结构表达确定计算。因而它不能证明训练出的语言模型已经可靠地内化了计算机，也不能用运行慢来估计所有语言模型任务的效率。
作者在HN说明，编码Agent只用了两次初始指示便开始构建，但紧接着解释了更重要的条件：已有Qwenputer编译器、长期积累的仿真资料，以及能逐指令核对的测试。这个背景避免把成果读成单凭一句提示创造完整系统。可迁移的部分，是为复杂构建准备明确目标、参照输出和定位差异的路径。
读者可以沿一条内存写入去看宿主、网络层与状态各负责什么，再检查对应测试覆盖到哪一层。若将来要把某个工具真正移进模型内部，需要额外回答计算成本、状态容量及外部输入怎样进入的问题。当前项目已经给出可检查的实现，尚未证明这种安排比普通工具调用更经济。