一名开发者把一个未训练的 Forth 解释器写入 NVIDIA Nemotron 3.5 Lightning 权重，使 30B 模型中有 3B 参数处于激活状态；经 LoRA 微调后，600 道题得分从 79.1% 升至 92.1%，但逐词执行带来的成本仍限制实用性。

值得关注的不是模型“学会”了一门低级语言，而是计算被放进了模型生成过程本身。这条路线减少了显式工具调用，却把推理效率推到了更显眼的位置。

这是什么

这是一个研究项目：在同一个 Nemotron 模型中，开发者额外加入 27 层网络，由脚本计算权重而非训练得到。它充当 Forth 解释器（一种以栈为核心、逐词执行的编程语言），模型每写出一个词，解释器就执行一步，并把结果作为后续文本继续生成。

测试中，765,734 个机器 Token（模型内部生成的计算步骤）与 Python 参考实现完全一致。LoRA（低秩适配，一种只调整少量参数的微调方法）解决了模型“不相信机器、拿到答案后仍重复手算”的问题。

行业怎么看

我们认为，这项实验证明模型权重可以承载确定性计算组件，为“生成即执行”提供了具体样本；开发者也公开了代码、测试、训练配方及失败记录。

风险同样明确：每一个机器步骤都要完成一次完整前向计算，速度远慢于普通工具调用。数值上限也只有 20 位，长整数测试仍输给 Python。此外，测试规模主要来自特定算术集，不能据此推断模型在通用任务上获得提升。这仍是研究演示，不是可直接部署的产品方案。

对普通人的影响

对企业 IT：它为内部计算组件与模型协同提供了新思路，但现阶段更适合研究团队验证概念，不宜据此重做现有工具链。

对个人职场：更可信的本地模型可能逐步承担计算和自动化任务；眼下直接价值主要体现在技术学习与开源实验，而非办公效率立刻提升。

对消费市场：消费者短期内不会直接接触这项方案；若后续效率问题得到解决，模型驱动的计算服务才可能进入更多桌面和移动应用。