GPT-6 Astra booste Qwen3.5-0.8B avec 0,016 % de ses poids

Une correction ciblée GPT-6 Astra peut interpréter et modifier les poids de petits réseaux neuronaux sans entraînement. Une démonstration concerne Qwen3.5-0.8B, un modèle dont Astra a corrigé 0,016 % des poids. Après cette intervention, son score en mathématiques est passé de 7,9 % à 48,1 %. Le résultat porte donc sur une modification très limitée des paramètres. Il ne s’agit pas d’un réentraînement complet du modèle. Quatre chercheurs du MIT ont présenté ces éléments dans un billet publié le 2 novembre 2026. Leur travail place les poids des réseaux neuronaux au centre d’une approche présentée comme une programmation directe de ces paramètres. Lire le billet des chercheurs.

Un procédé sans entraînement Les quatre chercheurs du MIT affirment que GPT-6 Astra sait lire et modifier directement les paramètres d’autres modèles d’IA. Ils décrivent ces poids comme des éléments traditionnellement fixés par l’entraînement. Selon eux, ces poids ne se retouchent pas à la main dans les pratiques habituelles. L’expérience avec Qwen3.5-0.8B montre toutefois une modification chiffrée de 0,016 % des paramètres. Le score mathématique associé atteint ensuite 48,1 %, contre 7,9 % auparavant. Cette progression est rapportée pour le modèle testé. Le billet présente ainsi Astra comme capable d’intervenir dans un réseau existant, sans lancer une nouvelle phase d’entraînement. Consulter la publication liée à cette approche.

Astra intervient sur les poids de Qwen

Des capacités déjà présentes Les auteurs affirment que la méthode ne peut pas ajouter une capacité absente du modèle. Cette affirmation encadre la portée du résultat obtenu sur Qwen3.5-0.8B. Le modèle a amélioré son score en mathématiques après la correction d’une fraction de ses poids. Le passage de 7,9 % à 48,1 % constitue le résultat chiffré présenté dans l’expérience. Il ne décrit pas l’apparition d’une capacité entièrement nouvelle. Les chercheurs attribuent plutôt à Astra une intervention directe sur des paramètres existants. Leur billet associe cette possibilité à l’analyse et à la réparation de défauts dans une IA, sans devoir la faire tourner.

Une analyse plus directe Quatre chercheurs du MIT affirment qu’il est possible d’analyser une IA à moindre coût grâce à cette méthode. Ils citent aussi la réparation de défauts et la recherche d’une porte dérobée parmi les usages envisagés. Ces usages reposent sur la lecture et l’écriture des poids d’un réseau neuronal. Les chercheurs affirment également que les grands modèles de langage peuvent lire et écrire nativement ces poids. Le résultat obtenu avec Qwen3.5-0.8B fournit un exemple concret de modification limitée. Il ne transforme pas pour autant cette démonstration en preuve générale pour tous les modèles. Le billet a été publié le 2 novembre 2026.

Les chercheurs bornent les conclusions

Un débat encore ouvert Les tests ne démontrent pas qu’Astra puisse s’améliorer lui-même, selon les auteurs. Le résultat sur Qwen3.5-0.8B concerne une correction de 0,016 % des poids. Il mesure une progression mathématique de 7,9 % à 48,1 % après cette intervention. Les chercheurs distinguent donc la modification d’un autre modèle et l’amélioration autonome d’Astra. Leur affirmation sur les capacités absentes limite également l’interprétation du résultat. La démonstration établit qu’Astra peut intervenir sur les poids d’un petit réseau neuronal sans entraînement. Elle ne suffit pas à établir une capacité d’auto-amélioration. Voir l’article original de Numerama.