# GPT-6 Astra modifica i pesi dei modelli AI senza riaddestrarli

> Secondo i ricercatori, Astra ha identificato, creato e modificato reti neurali intervenendo direttamente sui loro pesi. Dopo una modifica mirata, un piccolo modello linguistico ha ottenuto risultati migliori nei test di matematica.

Oossa · 2026-11-04 · https://oossa.com/it/gpt-6-astra-edits-ai-model-weights-without-retraining

Secondo i ricercatori, GPT-6 Astra è in grado di esaminare e modificare i valori numerici dei pesi all’interno delle reti neurali senza ricorrere al consueto processo di addestramento. Nei test ha individuato ciò che avevano appreso diverse reti di piccole dimensioni, ha scritto i pesi di reti capaci di giocare e ha modificato una piccola parte di un modello linguistico, migliorandone i risultati in matematica.

I ricercatori chiamano questo approccio «Weight-Space Programming». Invece di riaddestrare un modello con un algoritmo di ottimizzazione, hanno fornito ad Astra i pesi e un obiettivo, talvolta anche strumenti di programmazione e il riscontro dei test. A quanto riferiscono, Astra non poteva scrivere cicli di addestramento. Si tratta di esperimenti preliminari, che non dimostrano che il metodo funzioni in modo affidabile con i modelli AI in generale.

## Che cosa ha modificato Astra?

In un test, Astra ha ricevuto i pesi di Qwen3.5-0.8B, un piccolo modello linguistico, e le è stato chiesto di migliorarne le capacità matematiche. Usando un ambiente di programmazione e 50 cicli di test con problemi, Astra ha individuato ripetitivi «cicli di ragionamento» di cui la documentazione di Qwen segnala già il rischio. Ha modificato lo 0.016% dei pesi del modello. Su problemi matematici distinti, il punteggio di MATH-500 è salito dal 7.9% al 48.1%. È migliorato anche il punteggio nell’esecuzione delle istruzioni, dal 21% al 62%.

La correzione non è stata completa: circa un terzo delle risposte continuava a raggiungere la lunghezza massima del testo, anche se prima della modifica la quota era del 93%. Astra non ha prodotto miglioramenti misurabili in Gemma 3 270M, un altro modello di piccole dimensioni che raramente cade in questi cicli. I ricercatori ipotizzano che Astra abbia rimosso un ostacolo a capacità già presenti in Qwen, anziché aggiungere una capacità di cui il modello era privo.

Astra ha anche scritto i pesi di reti che giocavano a tre semplici videogiochi. In Breakout, secondo i ricercatori, ha ottenuto un punteggio medio di 517, contro i 25 di un modello di riferimento addestrato; in due degli altri giochi ha fatto peggio delle versioni sottoposte all’addestramento più lungo. Per il Go su tavoliere 9-by-9, Astra ha modificato per 50 cicli una rete con circa 1.5 milioni di parametri, affrontando fino a 128 partite di pratica per ciclo, e ha battuto un modello di dimensioni simili addestrato su circa 20 milioni di partite.

## Un approccio promettente, ma ancora agli inizi

I ricercatori riferiscono inoltre che Astra ha dedotto dai pesi grezzi di piccole reti se fossero state addestrate per giocare, elaborare il linguaggio o riconoscere forme nelle immagini. In un test è riuscita a distinguere un modello addestrato ad assecondare gli utenti solo quando le è stato consentito anche di vedere a cosa prestavano attenzione i modelli mentre elaboravano il testo.

The Decoder riferisce che il ricercatore di AI Jürgen Schmidhuber ha definito l’approccio «roba vecchia», citando studi degli anni ’90. Il ricercatore Omar Khattab ha replicato che quei lavori erano in anticipo sui tempi e che la novità consiste nella capacità dei moderni modelli linguistici di tradurre tra il linguaggio comune e i pesi delle reti. I ricercatori indicano tra i possibili impieghi gli audit di sicurezza e le modifiche mirate al comportamento, ma affermano che serve ancora un benchmark per valutare sistematicamente il metodo.

## I fatti

- Nell’esperimento di matematica, Astra ha modificato lo 0.016% dei pesi di Qwen3.5-0.8B.
- Nei problemi distinti, il punteggio MATH-500 del modello Qwen modificato è salito dal 7.9% al 48.1%.
- Dopo la modifica, circa un terzo delle risposte di Qwen raggiungeva ancora la lunghezza massima del testo, contro il 93% precedente.
- Secondo i ricercatori, la rete di Astra per Breakout ha ottenuto un punteggio medio di 517, contro i 25 del modello di riferimento addestrato.
- Secondo i ricercatori, la rete di Astra per il Go aveva circa 1.5 milioni di parametri e ha battuto un modello di dimensioni simili addestrato su circa 20 milioni di partite.

## Perché conta

Per i team che mantengono piccoli modelli linguistici, i risultati suggeriscono un possibile modo per correggere un problema specifico senza ripetere un costoso addestramento completo. La correzione, però, non ha eliminato le frequenti risposte ripetitive e Astra non è riuscita a migliorare un altro modello: non è quindi ancora chiaro in quali casi il metodo funzionerà concretamente.

## Fonti e riferimenti

1. [GPT-6 Astra sees the matrix and reprograms other AI models directly through their weights](https://the-decoder.com/gpt-6-astra-sees-the-matrix-and-reprograms-other-ai-models-directly-through-their-weights/) – The Decoder, 2026-11-04
2. [Weight-Space Programming authors (institution not identified in the fetched text)](https://rikiyat.github.io/blog/weight-space-programming/?trk=public_post_comment-text) – Weight-Space Programming authors (institution not identified in the fetched text)

Ultimo aggiornamento: 2026-11-04