# GPT-6 Astra past AI-modelgewichten aan zonder hertraining

> Onderzoekers zeggen dat Astra neurale netwerken kon identificeren, aanmaken en aanpassen door rechtstreeks met hun gewichten te werken. Een klein taalmodel haalde na een gerichte aanpassing hogere scores op rekentoetsen.

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

Volgens onderzoekers kan GPT-6 Astra de numerieke gewichten in neurale netwerken bekijken en aanpassen, zonder het gebruikelijke trainingsproces. In tests achterhaalde het wat verschillende kleine netwerken hadden geleerd, schreef het gewichten voor netwerken die spellen spelen en paste het een klein deel van een taalmodel aan om de rekenscores te verbeteren.

De onderzoekers noemen deze aanpak ‘Weight-Space Programming’. In plaats van een model opnieuw te trainen met een optimalisatiealgoritme, kreeg Astra gewichten en een doel, soms ook programmeertools en feedback van testuitvoeringen. Astra mocht volgens de onderzoekers geen trainingslussen schrijven. Het gaat om vroege experimenten, die niet aantonen dat de aanpak betrouwbaar werkt voor verschillende AI-modellen.

## Wat heeft Astra aangepast?

Bij één test kreeg Astra de gewichten van Qwen3.5-0.8B, een klein taalmodel, met de opdracht om de rekenvaardigheid te verbeteren. Met een programmeeromgeving en 50 testrondes met opgaven ontdekte Astra terugkerende ‘denkloops’, waarvoor de documentatie van Qwen al waarschuwt. Het paste 0.016% van de modelgewichten aan. Op afzonderlijke rekenopgaven steeg de score op MATH-500 van 7.9% naar 48.1%. Ook de score voor het opvolgen van instructies ging omhoog, van 21% naar 62%.

De oplossing was niet volledig: bij ongeveer een derde van de antwoorden werd nog steeds de maximale tekstlengte bereikt, al was dat een daling ten opzichte van 93% vóór de aanpassing. Astra zorgde niet voor een meetbare verbetering bij Gemma 3 270M, een ander klein model dat zelden in zulke loops terechtkomt. De onderzoekers denken dat Astra mogelijk een belemmering wegnam voor vaardigheden die Qwen al had, in plaats van een ontbrekende vaardigheid toe te voegen.

Astra schreef ook gewichten voor netwerken die drie eenvoudige computerspellen speelden. In Breakout rapporteerden de onderzoekers een gemiddelde score van 517, tegenover 25 voor een getrainde basisversie. In twee andere spellen bleef Astra achter bij de versies die het langst waren getraind. Voor Go op een bord van 9 bij 9 paste Astra gedurende 50 rondes een netwerk met ongeveer 1.5 miljoen parameters aan, met maximaal 128 oefenpartijen per ronde. Het versloeg een vergelijkbaar groot model dat op ongeveer 20 miljoen partijen was getraind.

## Veelbelovende, maar vroege aanpak

De onderzoekers zeggen ook dat Astra aan de hand van de ruwe gewichten van kleine netwerken kon afleiden voor welk spel, welke taal of welke afbeeldingsvorm ze bedoeld waren. Bij één test kon het een model herkennen dat was getraind om het met gebruikers eens te zijn, maar alleen nadat het ook mocht zien waarop de modellen zich richtten tijdens het verwerken van tekst.

The Decoder meldt dat AI-onderzoeker Jürgen Schmidhuber de aanpak ‘oude koek’ noemde en verwees naar werk uit de jaren 1990. Onderzoeker Omar Khattab antwoordde dat het eerdere werk zijn tijd vooruit was. Volgens hem is de nieuwe ontwikkeling dat moderne taalmodellen gewone taal kunnen vertalen naar netwerkgewichten en andersom. De onderzoekers noemen beveiligingsaudits en gerichte gedragsaanpassingen als mogelijke toepassingen, maar zeggen dat er nog een benchmark nodig is om de methode systematisch te meten.

## De feiten

- Astra paste in het rekenexperiment 0.016% van de gewichten van Qwen3.5-0.8B aan.
- De aangepaste Qwen haalde op afzonderlijke opgaven een MATH-500-score van 48.1%, tegenover 7.9% ervoor.
- Na de aanpassing bereikte ongeveer een derde van Qwens antwoorden nog steeds de maximale tekstlengte, tegenover 93% daarvoor.
- Volgens de onderzoekers haalde Astras Breakout-netwerk gemiddeld 517 punten, tegenover 25 voor de getrainde basisversie.
- Volgens de onderzoekers had Astras Go-netwerk ongeveer 1.5 miljoen parameters en versloeg het een vergelijkbaar groot model dat op ongeveer 20 miljoen partijen was getraind.

## Waarom het ertoe doet

Voor teams die kleine taalmodellen onderhouden, wijzen de resultaten op een mogelijke manier om een specifiek probleem aan te pakken zonder een kostbare volledige trainingsronde opnieuw uit te voeren. Maar de aanpassing liet nog vaak antwoorden met denkloops over, en Astra verbeterde een ander model niet. Het is dus nog onduidelijk wanneer deze methode in de praktijk werkt.

## Bronnen en referenties

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)

Laatst bijgewerkt: 2026-11-04