---
title: "«Генная инженерия для нейросетей»: MIT предложил редактировать веса ИИ-моделей без дообучения"
description: "Учёные MIT предложили метод «программирования в пространстве весов», позволяющий улучшать ИИ-модели путём прямого редактирования параметров без дообучения. На бенчмарке MATH-500 результат Qwen3.5-0.8B вырос с 7,9 до 48,1 %, однако метод пока экспериментальный и не универсальный."
date: 2026-11-04T02:41:01.108Z
lang: ru
url: https://xab.info/posts/weight-space-programming-ii-modeli-mit
tags: [ai, neural-networks, mit, openai, weight-editing, machine-learning, qwen]
author: "Александр Буран"
publisher: "XAB.info"
---

# «Генная инженерия для нейросетей»: MIT предложил редактировать веса ИИ-моделей без дообучения

![Абстрактное синее цифровое изображение с крупными буквами AI на фоне светлой текстуры](https://xab.info/media/2026/11/04/weight-space-programming-ii-modeli-mit/weight-space-programming-ii-modeli-mit-1.webp)

## Ключевые тезисы

- MIT CSAIL предложил метод Weight-space programming — редактирование весов нейросети без градиентного обучения
- GPT-6 Astra улучшила MATH-500 у Qwen3.5-0.8B с 7,9 до 48,1 %, изменив ~0,016 % весов
- Метод не универсален: на Gemma 3 270M правки не дали улучшения
- ИИ-сообщество разделилось: одни видят экономическую выгоду, другие — ускорение рискованных трендов

Исследователи Лаборатории компьютерных наук и искусственного интеллекта (CSAIL) Массачусетского технологического института (MIT) представили метод, который они назвали «программированием в пространстве весов» (Weight-space programming). Суть подхода — прямое редактирование числовых параметров нейросети, определяющих её поведение, без использования традиционных процедур дообучения или повторного обучения на основе градиентов. В ходе эксперимента команда применила языковую модель GPT-6 Astra от OpenAI для улучшения математических способностей компактной открытой модели Qwen3.5-0.8B, изменив лишь около 0,016 % от общего числа её весов. Результат оказался заметным: показатель на бенчмарке MATH-500 вырос с 7,9 % до 48,1 %, причём основной вклад в прирост внесло устранение повторяющихся логических рассуждений, характерных для исходной модели.

### Как работает «генная инженерия» для нейросетей

В отличие от стандартного процесса обучения, где модель корректируется через многократный прогон данных и вычисление градиентов, в описанном подходе целевая нейросеть анализируется другой ИИ-моделью. GPT-6 Astra изучала поведение Qwen3.5-0.8B, самостоятельно определяла, какие именно веса следует изменить, и вносила правки напрямую. Градиентный спуск при этом не использовался. По словам ИИ-исследователя Юйчэна Цзиня (Yuchen Jin), описывающего методику, «это как генная инженерия для нейронных сетей. Даже круче, чем дистилляция!». Если метод удастся сделать достаточно надёжным, разработчики получат инструмент для точечной корректировки работы нейросетей и повышения их производительности без затрат на полноценные циклы обучения, а модели смогут модифицировать другие модели — или, со временем, даже самих себя.

### Ограничения: метод не универсален

Важно подчеркнуть, что на текущем этапе подход остаётся экспериментальным, и точные показатели экономии вычислительных ресурсов пока не установлены. Не доказано, что прямое редактирование весов стабильно превосходит традиционное обучение по скорости, стоимости или эффективности. Более того, метод нельзя считать универсальным: в случае с моделью Gemma 3 270M, у которой не наблюдалось серьёзной проблемы с повторами, характерной для Qwen, правки, внесённые Astra, не дали улучшения её математических способностей. Ещё один эксперимент показал, что без предоставления дополнительных данных — например, о механизмах внимания — модель не смогла надёжно различать разные типы поведения целевой сети.

### Реакция сообщества: от энтузиазма до тревоги

Мнения участников ИИ-сообщества по поводу новой методики разделились. Сторонники видят в ней инструмент для быстрого обслуживания моделей и экономии ресурсов, позволяющий сократить время и вычислительные затраты на внесение определённых улучшений. Критики, напротив, выражают опасения, что подобный подход может ещё больше ускорить развитие ИИ. Генеральный директор организации Pause AI, выступающей за приостановку разработки передовых ИИ-систем до доказательства их безопасности, Максим Фурн (Maxime Fournes) заявил: «Пусть это будет просто шумиха. Ведь если это правда, то прогресс может ускориться колоссально — а это очень плохие новости, приближающие нас к глобальной катастрофе. До чего же безрассудное направление исследований».

### Перспективы и следующий этап

На данный момент «программирование в пространстве весов» находится на стадии ранних экспериментов. Для перехода от демонстрационных результатов к практическому инструменту исследователям предстоит решить ряд задач: обеспечить стабильность и воспроизводимость правок, расширить набор диагностических данных, доступных модели-редактору, и подтвердить, что метод даёт устойчивое преимущество перед традиционным дообучением в широком спектре задач. Если эти барьеры будут преодолены, подход может стать значимым элементом арсенала разработчиков нейросетей, однако его реальное влияние на темпы и характер развития ИИ-технологий пока остаётся предметом активных дискуссий в научном сообществе.

## Проверка фактов и источники

- [«Как генная инженерия для нейросетей»: учёные предложили улучшать ИИ-модели без дообучения, редактируя их веса window-new](https://3dnews.ru/1150789/kak-gennaya-ingeneriya-dlya-neyrosetey-uchyonie-predlogili-uluchshat-iimodeli-bez-doobucheniya-redaktiruya-ih-vesa) - Единственный источник. Цифры (7,9→48,1 %, 0,016 % весов), имена (Yuchen Jin, Maxime Fournes), названия моделей (GPT-6 Astra, Qwen3.5-0.8B, Gemma 3 270M) и бенчмарка (MATH-500) взяты из текста. Первичная научная публикация не указана. Оговорка: метод экспериментальный, не доказано превосходство над дообучением.

## Частые вопросы

### Что такое «программирование в пространстве весов»?

Это метод прямого редактирования числовых параметров (весов) нейросети с помощью другой ИИ-модели без использования градиентного обучения или дообучения. В эксперименте MIT модель GPT-6 Astra самостоятельно определяла, какие веса изменить, чтобы улучшить математические способности целевой сети.

### Каких результатов удалось достичь в эксперименте?

Показатель модели Qwen3.5-0.8B на бенчмарке MATH-500 вырос с 7,9 % до 48,1 % при изменении лишь около 0,016 % от общего числа весов. Основной вклад в прирост внесло устранение повторяющихся логических рассуждений.

### Является ли метод универсальным?

Нет. В случае с моделью Gemma 3 270M, у которой не было выраженной проблемы с повторами, правки не дали улучшения математических способностей. Также без дополнительных данных (например, о механизмах внимания) модель-редактор не смогла надёжно различать типы поведения.

### Какие риски связывают с этим подходом?

Представители организации Pause AI, в частности её генеральный директор Максим Фурн, выражают опасение, что метод может колоссально ускорить развитие ИИ, приближая риски, связанные с неконтролируемым процессом. При этом сторонники видят в подходе инструмент экономии вычислительных ресурсов.