Investigadores del MIT CSAIL dicen que GPT-6 Astra corrigió Qwen3.5-0.8B editando el 0,016% de sus pesos, sin entrenamiento
En una entrada de blog que los autores califican de resultados muy preliminares, GPT-6 Astra leyó los pesos en bruto, localizó los bucles de razonamiento de Qwen y los corrigió a mano: MATH-500 pasó del 7,9% al 48,1% e IFEval se triplicó; no está revisado por pares.
Por qué importa
Cambiar lo que hace una red neuronal ha exigido normalmente entrenamiento por gradientes o una herramienta específica. Esta entrada afirma que un modelo de frontera de uso general, con instrucciones en lenguaje natural, puede leer pesos en bruto, saber para qué se entrenó una red, diagnosticar un fallo del que advierte la propia ficha de Qwen y corregirlo directamente. Los autores subrayan que los resultados son muy preliminares y salen en un blog, no en un artículo, pero publicaron las trazas completas en GitHub. Habrá que ver réplicas independientes y el benchmark y el entorno que el equipo dice estar construyendo.
Datos clave
- GPT-6 Astra editó el 0,016% de los pesos de Qwen3.5-0.8B
- MATH-500 pasó del 7,9% al 48,1% con la misma configuración de muestreo
- IFEval se triplicó
- Sin gradientes ni bucles de entrenamiento
- Astra identificó el juego de las cuatro redes entrenadas con PPO a partir de sus pesos
- El autor principal, Rikiya Takehi, figura en el MIT CSAIL