GPT-6 Astra hat fremdes Neuronales Netz ohne Retraining „repariert“: MIT demonstriert Weight-Space-Programming

Forscher des Massachusetts Institute of Technology (MIT) haben in einem GitHub-Blogbeitrag eine Arbeit veröffentlicht, die zeigt, dass das OpenAI-Flaggschiffmodell GPT-6 Astra in der Lage ist, Fehler in anderen Sprachmodellen zu finden und diese durch direkte Änderung der internen Parameter — der Netzwerkgewichte — zu korrigieren. Der Ansatz, der als Weight-Space Programming («Programmierung im Gewichtsraum») bezeichnet wird, umgeht das traditionelle Fine-Tuning auf Datenarrays und ermöglicht eine „manuelle“ Korrektur der Modelllogik durch Analyse seiner internen Struktur. Die Arbeit wurde vor dem Hintergrund der aktiven Entwicklung von Astra vorgestellt, die OpenAI im September 2026 veröffentlicht hat und als „intelligenteste“ KI-System positioniert, das zu mehrstufigen professionellen Aufgaben fähig ist.

Wie das Experiment funktioniert: Von den Gewichten zur Logik

Die Grundlage jeder neuronalen Schicht ist eine Reihe von Gewichten — riesige Arrays von Zahlen, die bestimmen, wie genau das Modell Eingabedaten verarbeitet und Ausgaben generiert. Normalerweise wird ein neuronales Netz zur Qualitätsverbesserung mit zusätzlichen Daten nachtrainiert, was erhebliche Rechenressourcen und Zeit erfordert. Das MIT-Team beschloss, ein grundsätzlich anderes Szenario zu testen: Kann ein KI-System die interne Struktur eines anderen Modells analysieren und dessen Parameter selbstständig anpassen, ohne einen Trainingsprozess zu starten? GPT-6 Astra fungierte dabei als „Chirurg“, während mehrere kleinere Sprach- und Gaming-Netzwerke als „Patienten“ dienten.

Hauptergebnis: Qwen3.5-0.8B hört auf zu schleifen

Den auffälligsten Effekt verzeichneten die Wissenschaftler bei der Arbeit mit dem Modell Qwen3.5-0.8B — einem kompakten Sprachmodell mit rund 800 Millionen Parametern. Vor Astras Eingreifen geriet das System beim Lösen mathematischer Aufgaben regelmäßig in eine Endlosschleife, in der es dieselben Überlegungen wiederholte, ohne zu einer Antwort zu gelangen. Nachdem GPT-6 Astra die Modellgewichte analysiert und gezielte Anpassungen vorgenommen hatte, stiegen die Ergebnisse im MATH-500-Benchmark von 7,9% auf 48,1% und bei GSM8K von 13,8% auf 67,1%. Darüber hinaus stellten die Forscher eine deutliche Verbesserung der Fähigkeit des Modells fest, Benutzeranweisungen zu befolgen. Im Wesentlichen hat Astra eine Logikschleife in den Parametern „gefunden“ und ohne einen einzigen Gradientenabstiegsschritt eliminiert.

Gaming-neuronale Netze: Erkennung und Generierung über Gewichte

Neben Sprachmodellen führte das MIT-Team eine Reihe von Experimenten mit neuronalen Netzen durch, die auf den Arkade-Spielen Breakout, Pong, Pac-Man und Freeway trainiert wurden. Astra wurden die numerischen Parameter von vier Netzen gezeigt, ohne die Spiele zu starten und ohne Einblick in den Trainingsprozess. Das Modell erkannte allein anhand der Gewichtsstruktur erfolgreich, für welches Spiel jedes neuronale Netz erstellt worden war. In einem anderen Experiment generierte Astra nach Erhalt einer textlichen Spielbeschreibung und Softwareumgebung selbstständig die Parameter für drei neue neuronale Netze für diese Spiele — ganz ohne Trainingsprozess. Nach Ansicht der Autoren zeigt dies, dass die Gewichte eines neuronalen Netzes genügend Informationen für das „Reverse Engineering“ des Modells enthalten.

Einschränkungen: Warum es noch keinen universellen Editor gibt

Trotz beeindruckender Ergebnisse betonen die Forscher, dass ein universelles Editieren beliebiger Modelle noch in weiter Ferne liegt. In einem Kontrollexperiment mit dem Modell Gemma 3 270M, das Rechenfehler ohne charakteristische Endlosschleifen machte, konnte Astra seine Werte nicht nennenswert verbessern. Die Autoren erklären dies damit, dass komplexe logische Mängel, die sich nicht als explizite Zyklen oder wiederholte Muster äußern, durch gezielte Gewichtsänderungen viel schwerer zu beheben sind. Dennoch eröffnet der Ansatz nach Einschätzung des MIT-Teams eine neue Richtung in der KI-Entwicklung, die langfristig lange Retraining-Zyklen verkürzen oder völlig überflüssig machen könnte.

Kontext: Wo GPT-6 Astra sonst noch eingesetzt wurde

Die Veröffentlichung der MIT-Arbeit fällt mit einer Reihe von Demonstrationen zu Astras Fähigkeiten bei angewandten Aufgaben zusammen. Zuvor wurde das Modell verwendet, um eine Chiffre von Napoleon Bonaparte aus dem Jahr 1809 zu entschlüsseln — eine Botschaft an General Auguste de Marmont, die über zwei Jahrhunderte unentschlüsselt geblieben war; die Wiederherstellung des 24-zeiligen Textes mit rund 1300 Zeichen dauerte etwa sechs Stunden. OpenAI seinerseits positioniert Astra als ein System, dem eine breite Palette von Aufgaben delegiert werden kann — vom Ausfüllen von Formularen und der Analyse wissenschaftlicher Daten bis hin zum Softwaretest —, und Unternehmenspräsident Greg Brockman bezeichnete die Veröffentlichung als „Generationswechsel“. Die MIT-Arbeit fügt dieser Liste eine weitere Richtung hinzu: Astra löst nicht nur Aufgaben, sondern dient auch als Werkzeug zur Diagnose und Korrektur anderer KI-Systeme.