Pesquisadores do MIT CSAIL dizem que GPT-6 Astra corrigiu o Qwen3.5-0.8B editando 0,016% dos pesos, sem treinamento
Num post de blog que os autores chamam de resultados muito iniciais, o GPT-6 Astra leu os pesos brutos, rastreou os loops de raciocínio do Qwen e os corrigiu diretamente: o MATH-500 subiu de 7,9% para 48,1% e o IFEval triplicou; não há revisão por pares.
Por que importa
Mudar o que uma rede neural faz normalmente exigia treinamento por gradiente ou uma ferramenta específica. Este post relata que um modelo de fronteira de uso geral, instruído em linguagem natural, consegue ler pesos brutos, identificar para que uma rede foi treinada, diagnosticar uma falha que o próprio cartão do Qwen aponta e corrigi-la diretamente. Os autores ressaltam que os resultados são muito iniciais e saíram num blog, não num artigo, mas publicaram os registros completos no GitHub. Vale acompanhar replicações independentes e o benchmark e o ambiente que a equipe diz estar construindo.
Fatos principais
- GPT-6 Astra editou 0,016% dos pesos do Qwen3.5-0.8B
- MATH-500 subiu de 7,9% para 48,1% com as mesmas configurações de amostragem
- IFEval triplicou
- Sem gradientes nem loops de treinamento
- Astra identificou o jogo das quatro redes treinadas com PPO a partir dos pesos
- O autor principal, Rikiya Takehi, é do MIT CSAIL