Дослідники Массачусетського технологічного інституту (MIT) опублікували у блозі GitHub роботу, в якій демонструють, що флагманська модель OpenAI GPT-6 Astra здатна знаходити помилки в інших мовних моделях та виправляти їх шляхом прямого змінення внутрішніх параметрів — ваг нейромережі. Підхід, що отримав назву Weight-Space Programming («програмування у просторі ваг»), оминає традиційну процедуру донавчання на масивах даних та дозволяє «вручну» коригувати логіку роботи моделі, аналізуючи її внутрішню структуру. Робота була представлена на тлі активного розвитку Astra, яку OpenAI випустила у вересні 2026 року та позиціонує як «найінтелектуальнішу» ШІ-систему, здатну виконувати багатоетапні професійні завдання.

Як влаштований експеримент: від ваг до логіки

В основі будь-якого нейронного шару лежить набір ваг — величезні масиви чисел, які визначають, як саме модель обробляє вхідні дані та формує вихідні відповіді. Зазвичай для покращення якості роботи нейромережі її донавчають на додаткових даних, що вимагає значних обчислювальних ресурсів та часу. Команда MIT вирішила перевірити принципово інший сценарій: чи може одна ШІ-система проаналізувати внутрішню структуру іншої моделі та самостійно скоригувати її параметри, не запускаючи процес навчання? У ролі «хірурга» виступила GPT-6 Astra, а в ролі «пацієнтів» — кілька невеликих мовних та ігрових нейромереж.

Ключовий результат: Qwen3.5-0.8B перестане зациклюватися

Найбільш показовий ефект вчені зафіксували під час роботи з моделлю Qwen3.5-0.8B — компактною мовною моделлю порядку 800 млн параметрів. До втручання Astra система під час розв'язання математичних завдань регулярно зациклювалася, повторюючи однакові міркування та не зходячись до відповіді. Після того як GPT-6 Astra проаналізувала ваги моделі та внесла точкові коригування, результати у бенчмарку MATH-500 зросли з 7,9% до 48,1%, а в GSM8K — з 13,8% до 67,1%. Крім того, дослідники відзначили помітне покращення здатності моделі слідувати інструкціям користувача. По суті, Astra «знайшла» логічну петлю в параметрах і усунула її без єдиного кроку градієнтного спуску.

Ігрові нейромережі: розпізнавання та генерація за вагами

Окрім мовних моделей, команда MIT провела серію експериментів із нейромережами, навченими на аркадних іграх Breakout, Pong, Pac-Man та Freeway. Astra показали числові параметри чотирьох мереж без запуску ігор та без перегляду процесу навчання. Модель успішно визначила, для якої саме гри створена кожна нейромережа, виключно за структурою ваг. В іншому експерименті Astra, отримавши текстовий опис гри та програмне середовище, самостійно згенерувала параметри трьох нових нейромереж для цих ігор — без будь-якого процесу навчання. За словами авторів, це демонструє, що ваги нейромережі несуть у собі достатньо інформації для «зворотного» конструювання моделі.

Обмеження: чому універсального редактора поки немає

Попри вражаючі результати, дослідники наголошують, що до універсального редагування довільних моделей ще далеко. У контрольному експерименті з моделлю Gemma 3 270M, яка робила помилки в розрахунках без характерних зациклювань, Astra не змогла суттєво покращити її показники. Автори пояснюють це тим, що складні логічні дефекти, які не проявляються як явні цикли або повторювані патерни, значно важче усунути точковою зміною ваг. Проте, за оцінкою команди MIT, сам підхід відкриває новий напрямок у розробці ШІ, що дозволяє у перспективі скоротити або повністю виключити тривалі цикли перенавчання.

Контекст: де ще GPT-6 Astra вже застосовувалася

Публікація роботи MIT збігається із серією демонстрацій можливостей Astra у прикладних завданнях. Раніше модель використовувалася для розшифрування шифру Наполеона Бонапарта 1809 року — послання генералу Огюсту де Мармону, яке залишалося нерозкодованим понад два століття; на відновлення тексту з 24 рядків та близько 1300 знаків пішло близько шести годин. OpenAI, зі свого боку, позиціонує Astra як систему, здатну делегувати їй широкий спектр завдань — від заповнення форм і аналізу наукових даних до тестування програмного забезпечення, — а президент компанії Грег Брокман назвав реліз «зміною поколінь». Робота MIT додає до цього списку ще один напрямок: Astra не лише вирішує завдання, а й виступає інструментом для діагностики та корекції інших ШІ-систем.