# GPT-6 Astra меняет веса ИИ-моделей без дообучения

> По словам исследователей, Astra находила, создавала и изменяла нейросети, работая напрямую с их весами. После точечной правки одна небольшая языковая модель лучше справилась с математическими тестами.

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

Исследователи утверждают, что GPT-6 Astra может анализировать и изменять числовые веса нейросетей без стандартного процесса обучения. В ходе испытаний система определяла, чему научились несколько небольших сетей, задавала веса сетям для игр и меняла небольшую часть языковой модели, чтобы улучшить её результаты по математике.

Исследователи называют этот подход «программированием в пространстве весов» (Weight-Space Programming). Вместо повторного обучения модели с помощью алгоритма оптимизации Astra получала веса и цель, а иногда — доступ к инструментам программирования и обратную связь по результатам тестов. Исследователи подчёркивают, что Astra не разрешали создавать циклы обучения. Пока это лишь предварительные эксперименты, а не доказательство того, что подход надёжно работает с разными ИИ-моделями.

## Что Astra изменила?

В одном из испытаний Astra получила веса Qwen3.5-0.8B — небольшой языковой модели — и задачу улучшить её математические способности. С помощью среды для программирования и 50 раундов тестирования Astra выявила повторяющиеся «циклы рассуждений», о которых уже предупреждает документация Qwen. Система изменила 0.016% весов модели. В отдельном наборе математических задач результат на MATH-500 вырос с 7.9% до 48.1%. Оценка за следование инструкциям тоже повысилась — с 21% до 62%.

Исправление было неполным: примерно треть ответов по-прежнему достигала максимальной длины текста, хотя до внесения изменений таких ответов было 93%. Astra не смогла заметно улучшить Gemma 3 270M — ещё одну небольшую модель, которая редко попадает в подобные циклы. Исследователи предполагают, что Astra устранила препятствие для навыков, уже имевшихся у Qwen, а не добавила модели новую способность.

Кроме того, Astra создала веса для сетей, игравших в три простые компьютерные игры. По данным исследователей, в Breakout средний результат составил 517 против 25 у обученной базовой модели. Однако в двух других играх Astra уступила версиям, прошедшим наиболее длительное обучение. Для игры в го на доске 9 на 9 Astra настраивала сеть примерно с 1.5 миллиона параметров на протяжении 50 раундов, играя до 128 тренировочных партий за раунд, и победила модель сопоставимого размера, обученную примерно на 20 миллионах партий.

## Перспективный, но пока сырой подход

Исследователи также сообщают, что Astra определяла по исходным весам небольших сетей, для чего те предназначены: для игры, работы с языком или обработки изображений. В одном испытании она смогла распознать модель, обученную соглашаться с пользователями, только после того, как ей также показали, на какие части текста обращали внимание модели в процессе обработки.

Издание The Decoder пишет, что исследователь ИИ Юрген Шмидхубер назвал этот подход «старой историей», указав на работы 1990-х годов. Исследователь Омар Хаттаб возразил, что тогдашние работы опередили своё время, и отметил: новизна нынешней разработки в том, что современные языковые модели умеют переводить между обычным языком и весами нейросетей. Исследователи называют возможными сферами применения аудит безопасности и точечное изменение поведения, но признают, что для систематической оценки метода им ещё предстоит создать тестовый набор.

## Факты

- В эксперименте с математикой Astra изменила 0.016% весов Qwen3.5-0.8B.
- На отдельных задачах результат отредактированной модели Qwen на MATH-500 вырос с 7.9% до 48.1%.
- После правки примерно треть ответов Qwen по-прежнему достигала максимальной длины текста — до изменений таких ответов было 93%.
- По данным исследователей, сеть Astra для Breakout набрала в среднем 517 очков против 25 у обученной базовой модели.
- По словам исследователей, сеть Astra для игры в го имела около 1.5 миллиона параметров и победила модель сопоставимого размера, обученную примерно на 20 миллионах партий.

## Почему это важно

Для команд, которые поддерживают небольшие языковые модели, эти результаты указывают на возможный способ устранить конкретный сбой, не повторяя дорогостоящее обучение модели целиком. Однако ответы с повторяющимися циклами по-прежнему встречались часто, а улучшить другую модель Astra не смогла — поэтому пока неясно, в каких случаях этот метод будет работать на практике.

## Источники и ссылки

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)

Обновлено: 2026-11-04