
Mổ não LFM3-1.7B rồi cấy hành vi sang Gemma-3-270M: chỉ sửa 640 neuron, không train một bước nào
Vũ Khôi
Tác giả tại Wotech Electronics Blog

Mổ não LFM3-1.7B rồi cấy hành vi sang Gemma-3-270M: chỉ sửa 640 neuron, không train một bước nào
Mình vừa thử mổ não một con AI 1.7B, rút chuỗi hành vi của nó ra rồi ghép thẳng vào não một con AI khác họ nhỏ hơn 6 lần mà không cần train. Đó là chia sẻ của Nam Nam trong nhóm J2Team Community (20/11/2026) về trò mod weight LLM theo xu hướng đang nổi gần đây. Mọi con số, quy trình và nhận định trong bài là theo bài đăng, chưa được Wotech kiểm chứng độc lập.
Trả lời nhanh: Theo bài đăng, bình thường muốn dạy một con AI nhỏ (như Gemma-3-270M) trả lời gọn gàng giống con lớn (LFM3-1.7B), anh em phải gom nhiều data, thuê GPU, rồi dựng pipeline fine-tune/distill. Lần này tác giả thử đi đường "tà đạo" là chọc thẳng vào file weight, không train một bước nào. Khác với mấy trò bỏ kiểm duyệt hay steering trên cùng 1 model, anh thử moi thẳng chuỗi hành vi từ LFM3-1.7B rồi cấy sang Gemma-3-270M mặc dù 2 con này khác hoàn toàn kiến trúc, khác tokenizer và lệch nhau 6 lần kích thước. Anh không nhồi thêm kiến thức, mà chỉ bóc đúng phần "hành vi" của con 1.7B rồi vá tay vào đúng 640 neurons trong file weight của con 270M (chỉ chiếm ~0,00024% tổng tham số). Kết quả thực tế: Gemma-3-270M trả lời tiếng Việt mượt và bám phom hành vi giống LFM3-1.7B hơn hẳn bản gốc; sửa chết trong file weight nên không cần code can thiệp lúc chạy. Lưu ý: cách này chỉ chuyển giao hành vi chứ không bơm thêm kiến thức — con 270M chỗ nào vốn hổng kiến thức thì vẫn hổng, và có thể dính lỗi ở vài case lạ.
Kiến thức (Knowledge) và hành vi (Logic & tính cách) là hai phần khá tách bạch trong AI, theo bài đăng: kiến thức là biết bao nhiêu sự thật, code được mấy ngôn ngữ; hành vi là giữ đúng tiếng Việt không, trả lời dài hay ngắn, giọng điệu thế nào.
Vì sao không fine-tune mà chọc thẳng vào file weight?
Theo bài đăng, bình thường muốn dạy một con AI nhỏ (như Gemma-3-270M) trả lời gọn gàng giống con lớn (LFM3-1.7B), anh em phải gom nhiều data, thuê GPU, rồi dựng pipeline fine-tune/distill. Lần này tác giả thử đi đường "tà đạo" là chọc thẳng vào file weight, không train một bước nào. Khác với mấy trò bỏ kiểm duyệt hay steering trên cùng 1 model, anh thử moi thẳng chuỗi hành vi từ LFM3-1.7B rồi cấy sang Gemma-3-270M mặc dù 2 con này khác hoàn toàn kiến trúc, khác tokenizer và lệch nhau 6 lần kích thước.
Kết quả thực tế và giới hạn
Theo bài đăng, kết quả như sau:
| Hạng mục | Kết quả, theo bài đăng |
|---|---|
| Tiếng Việt | Gemma-3-270M trả lời tiếng Việt mượt và bám phom hành vi giống LFM3-1.7B hơn hẳn bản gốc |
| Triển khai | Sửa chết trong file weight nên không cần code can thiệp lúc chạy |
| Giới hạn | Chỉ chuyển giao hành vi chứ không bơm thêm kiến thức — con 270M chỗ nào vốn hổng kiến thức thì vẫn hổng, và có thể dính lỗi ở vài case lạ |
Áp dụng ngay: toàn bộ quá trình, ảnh so sánh và model đã mod
Theo bài đăng, toàn bộ quá trình moi/cấy 640 con số, ảnh so sánh trước-sau và link Hugging Face bản model đã mod tác giả để phía bên dưới cho anh em tải về nghịch thử: blog tại https://neeze.github.io/docs/practical-ai/weight-programming-lfm3-to-gemma/ và model tại https://huggingface.co/Neeze/gemma-3-270m-it-vi-steer. Tác giả cảm ơn Nguyễn Minh Khoa đã hỗ trợ vọc trò này. Đồ chơi để mod LLM mà tác giả giới thiệu thêm: Weight-space programming tại https://rikiyat.github.io/blog/weight-space-programming/ và Neuron-explorer tại https://github.com/lyramakesmusic/neuron-explorer. Chia sẻ để anh em thích vọc LLM local thấy ngoài fine-tune ra thì "chơi hệ weight programming" cũng còn rất nhiều trò hay ho.
Câu hỏi thường gặp
1. Tác giả đã làm gì với hai model AI? Theo bài đăng, tác giả mổ não LFM3-1.7B, rút chuỗi hành vi của nó ra rồi ghép thẳng vào não Gemma-3-270M — con AI khác họ, nhỏ hơn 6 lần — mà không cần train, chỉ chọc thẳng vào file weight.
2. Vì sao cách này khác fine-tune hay steering? Theo bài đăng, fine-tune/distill cần gom nhiều data, thuê GPU và dựng pipeline; còn steering hay bỏ kiểm duyệt chỉ làm trên cùng 1 model. Cách này moi thẳng chuỗi hành vi từ LFM3-1.7B rồi cấy sang Gemma-3-270M dù 2 con khác hoàn toàn kiến trúc, khác tokenizer và lệch nhau 6 lần kích thước.
3. Đã sửa bao nhiêu neuron, và kết quả ra sao? Theo bài đăng, tác giả vá tay đúng 640 neurons trong file weight của con 270M (chỉ chiếm ~0,00024% tổng tham số); kết quả là Gemma-3-270M trả lời tiếng Việt mượt và bám phom hành vi giống LFM3-1.7B hơn hẳn bản gốc, sửa chết trong file weight nên không cần code can thiệp lúc chạy.
4. Cách này có bơm thêm kiến thức cho model nhỏ không? Theo bài đăng, không: cách này chỉ chuyển giao hành vi chứ không bơm thêm kiến thức — con 270M chỗ nào vốn hổng kiến thức thì vẫn hổng, và có thể dính lỗi ở vài case lạ.
5. Tải bản model đã mod và đọc thêm ở đâu? Theo bài đăng: blog quá trình tại https://neeze.github.io/docs/practical-ai/weight-programming-lfm3-to-gemma/, model tại https://huggingface.co/Neeze/gemma-3-270m-it-vi-steer; đồ chơi mod LLM: Weight-space programming tại https://rikiyat.github.io/blog/weight-space-programming/ và Neuron-explorer tại https://github.com/lyramakesmusic/neuron-explorer.
Nguồn: bài đăng của Nam Nam trong nhóm J2Team Community (20/11/2026) về weight programming từ LFM3-1.7B sang Gemma-3-270M. Mọi con số, quy trình và nhận định trong bài là theo bài đăng, chưa được Wotech kiểm chứng độc lập.
Bài viết liên quan

20 tháng 11, 2026 · 7 phut doc
Living Spec: thí nghiệm đối chứng cho thấy file spec rẻ hơn 54 lần, nhưng spec cũ là điểm lỗi duy nhất
Mình vừa bắt AI nhà mình chứng minh một phương pháp đang hot, và kết quả làm mình phải sửa lại cách hiểu của chính mình. Đó là chia sẻ của Cáo Nhăn Nhó trong nhóm Muse AI Việt Nam (19/11/2026) về phư…

20 tháng 11, 2026 · 8 phut doc
Trợ lý Muse tự tay kiện Meta: bị khóa page vì tưởng là hacker, rồi soạn đơn kiện đòi 75.000 đô
Một chủ doanh nghiệp nhỏ ở Nam Carolina vừa dùng chính trợ lý Muse của Meta để kiện Meta, và câu chuyện này đúng là kiểu mà chỉ thời đại agent mới có. Đó là nội dung bài đăng của Trần Mạnh Quân trong…

20 tháng 11, 2026 · 8 phut doc
Muse nối Google Calendar: lịch tự báo cho AI, dời giờ họp là Muse biết trước bạn
Có một buổi chiều, lịch hẹn với nhà cung cấp bị dời giờ, và bạn chưa kịp mở lịch để xem thì Muse đã biết. Không phải vì Muse đoán, mà vì lịch của bạn đã nối với nó, và khi lịch đổi thì Muse cũng đổi …