Badacze z MIT twierdzą, że GPT-6 Astra potrafi edytować wagi innych modeli

Badacze sprawdzili metodę na zadaniach czytania i zapisu. W jednym zestawie Astra dostawała surowe wagi wytrenowanych sieci i musiała powiedzieć, czego się nauczyły. W zależności od eksperymentu pracowała bezpośrednio na listach liczb albo sięgała po narzędzia programistyczne i informacje zwrotne z próbnych uruchomień, podali badacze.

Czytanie wag

Astra poprawnie rozpoznała, w którą z czterech gier komputerowych miała grać sieć, podali badacze. Trafiła też z językiem treningu małych modeli językowych, choć nie miała dostępu do danych treningowych ani możliwości uruchomienia modeli.

Rozpoznała również podstawowe kształty generowane przez generator obrazów, ale myliła kształty wypełnione z konturami, podano we wpisie badawczym. W innym teście musiała wskazać, który z dwóch dostrojonych modeli językowych trenowano tak, żeby zawsze zgadzał się z użytkownikami. Z samych wag najpierw nie potrafiła tego zrobić. Dopiero gdy mogła obserwować wzorce uwagi modeli, wskazała model schlebiący we wszystkich trzech parach.

Zapisywanie wag

Potem badacze poprosili Astrę o wygenerowanie wag dla modeli, które miały grać w trzy proste gry komputerowe, wyłącznie na podstawie zasad gry i kodu źródłowego. W Breakout model Astry zdobywał średnio 517 punktów, podczas gdy model bazowy trenowany przez 100 mln rund zdobywał 25, podali badacze. W dwóch pozostałych grach Astra ustąpiła wersjom trenowanym najdłużej.

W Go na planszy 9x9 Astra napisała wagi sieci z około 1,5 mln parametrów. Przy 50 iteracjach testowych, podczas których sieć rozgrywała do 128 gier treningowych w każdej rundzie, a Astra korygowała jej wagi, pokonała model o podobnym rozmiarze trenowany na około 20 mln gier.

Najbardziej praktyczny eksperyment dotyczył Qwen3.5-0.8B, modelu z 800 mln parametrów. Zadaniem Astry była poprawa umiejętności matematycznych modelu przy użyciu środowiska programistycznego i 50 iteracji testowych z zadaniami do ćwiczenia. Astra rozpoznała problem zapętlonych rozumowań, przed którym ostrzega sama dokumentacja Qwena, a potem zmieniła zaledwie 0,016 proc. wszystkich wag.

W teście porównawczym MATH-500 dokładność wzrosła z 7,9 proc. do 48,1 proc., podali badacze. Umiejętność trzymania się instrukcji poprawiła się z 21 proc. do 62 proc. Pętle rozumowań nie zniknęły całkowicie: jedna trzecia odpowiedzi nadal dobijała do maksymalnej długości tekstu, wobec 93 proc. wcześniej.

Co to oznacza

Badacze widzą potencjał w audytach bezpieczeństwa prowadzonych bezpośrednio na wagach modeli oraz w punktowych zmianach zachowania bez kosztownego ponownego trenowania. Przyznają też ograniczenia. Z mniejszym modelem Gemma 3 o 3,27 mld parametrów, który rzadko wpadał w takie pętle, Astra nie osiągnęła żadnej mierzalnej poprawy, podali badacze. Podejrzewają, że Astra usunęła blokadę w Qwenie, która tłumiła istniejące już możliwości; umiejętności, których modelowi zasadniczo brakuje, nie dało się dodać przez przepisanie pojedynczych wag w tym eksperymencie.

Osobno, w Intelligence Index V5 serwisu Artificial Analysis, GPT-6 Astra (max) zdobywa 57 punktów, dwa punkty za Gemini 4 Carbon (high) od Google z wynikiem 59, podał Tom's Hardware. Ten ogólny ranking mierzy szerokie możliwości modeli, a nie węższą umiejętność sprawdzania i edytowania wag innych modeli, którą testują eksperymenty MIT.

Następne kroki

Na liście badaczy jest teraz test porównawczy do systematycznego pomiaru, podali. Logi eksperymentów są na GitHubie, a edytowany model Qwen na Hugging Face.