Исследователи Массачусетского технологического института (MIT) опубликовали в блоге GitHub работу, в которой демонстрируют, что флагманская модель OpenAI GPT-6 Astra способна находить ошибки в других языковых моделях и исправлять их путём прямого изменения внутренних параметров — весов нейросети. Подход, получивший название Weight-Space Programming («программирование в пространстве весов»), обходит традиционную процедуру дообучения на массивах данных и позволяет «вручную» корректировать логику работы модели, анализируя её внутреннюю структуру. Работа была представлена на фоне активного развития Astra, которую OpenAI выпустила в сентябре 2026 года и позиционирует как «самую интеллектуальную» ИИ-систему, способную выполнять многоэтапные профессиональные задачи.

Как устроен эксперимент: от весов к логике

В основе любого нейронного лея лежит набор весов — огромные массивы чисел, которые определяют, как именно модель обрабатывает входные данные и формирует выходные ответы. Обычно для улучшения качества работы нейросети её дообучают на дополнительных данных, что требует значительных вычислительных ресурсов и времени. Команда MIT решила проверить принципиально иной сценарий: может ли одна ИИ-система проанализировать внутреннюю структуру другой модели и самостоятельно скорректировать её параметры, не запуская процесс обучения? В качестве «хирурга» выступила GPT-6 Astra, а в роли «пациентов» — несколько небольших языковых и игровых нейросетей.

Ключевой результат: Qwen3.5-0.8B перестала зацикливаться

Самый показательный эффект учёные зафиксировали при работе с моделью Qwen3.5-0.8B — компактной языковой моделью порядка 800 млн параметров. До вмешательства Astra система при решении математических задач регулярно зацикливалась, повторяя одинаковые рассуждения и не сходясь к ответу. После того как GPT-6 Astra проанализировала веса модели и внесла точечные корректировки, результаты в бенчмарке MATH-500 выросли с 7,9% до 48,1%, а в GSM8K — с 13,8% до 67,1%. Кроме того, исследователи отметили заметное улучшение способности модели следовать инструкциям пользователя. По сути, Astra «нашла» логическую петлю в параметрах и устранила её без единого шага градиентного спуска.

Игровые нейросети: распознавание и генерация по весам

Помимо языковых моделей, команда MIT провела серию экспериментов с нейросетями, обученными на аркадных играх Breakout, Pong, Pac-Man и Freeway. Astra показали числовые параметры четырёх сетей без запуска игр и без просмотра процесса обучения. Модель успешно определила, для какой именно игры создана каждая нейросеть, исключительно по структуре весов. В другом эксперименте Astra, получив текстовое описание игры и программное окружение, самостоятельно сгенерировала параметры трёх новых нейросетей для этих игр — без какого-либо процесса обучения. По словам авторов, это демонстрирует, что веса нейросети несут в себе достаточно информации для «обратного» конструирования модели.

Ограничения: почему универсального редактора пока нет

Несмотря на впечатляющие результаты, исследователи подчёркивают, что до универсального редактирования произвольных моделей ещё далеко. В контрольном эксперименте с моделью Gemma 3 270M, которая совершала ошибки в расчётах без характерных зацикливаний, Astra не смогла существенно улучшить её показатели. Авторы объясняют это тем, что сложные логические дефекты, не проявляющиеся как явные циклы или повторяющиеся паттерны, значительно труднее устранить точечным изменением весов. Тем не менее, по оценке команды MIT, сам подход открывает новое направление в разработке ИИ, позволяющее в перспективе сократить или полностью исключить длительные циклы переобучения.

Контекст: где ещё GPT-6 Astra уже применялась

Публикация работы MIT совпадает с серией демонстраций возможностей Astra в прикладных задачах. Ранее модель использовалась для расшифровки шифра Наполеона Бонапарта 1809 года — послания генералу Огюсту де Мармону, которое оставалось нераскодированным более двух столетий; на восстановление текста из 24 строк и около 1300 знаков ушло порядка шести часов. OpenAI, в свою очередь, позиционирует Astra как систему, способную делегировать ей широкий круг задач — от заполнения форм и анализа научных данных до тестирования программного обеспечения, — а президент компании Грег Брокман назвал релиз «сменой поколений». Работа MIT добавляет к этому списку ещё одно направление: Astra не только решает задачи, но и выступает инструментом для диагностики и коррекции других ИИ-систем.