Обучение современных нейросетей традиционно опирается на стохастический градиентный спуск и терабайты обучающих выборок. Однако исследователи из лаборатории CSAIL Массачусетского технологического института продемонстрировали принципиально иной подход, получивший название «программирование в пространстве весов» (Weight-Space Programming), при котором большая языковая модель напрямую читает, диагностирует и корректирует числовые параметры другой сети без дообучения и оптимизаторов.

В ходе экспериментов модель GPT-6 Astra проанализировала внутренние веса компактной языковой модели Qwen3.5-0.8B, выявив причину ее зацикливания при решении сложных задач.

Обнаружив нежелательное векторное направление в слоях многослойного перцептрона, система точечно вычла его, изменив всего 0,016% параметров. В результате показатель модели в математическом бенчмарке MATH-500 подскочил с 7,9% до 48,1%, а точность следования инструкциям выросла почти в три раза, поскольку сеть перестала бесконечно повторять фрагменты рассуждений и смогла доводить логические выкладки до конца.

Помимо редактирования существующих сетей, модель продемонстрировала способность генерировать параметры с нуля на основе словесных правил. Созданные ею весовые матрицы для простых аркадных игр и алгоритма игры в го превзошли результаты классического обучения с подкреплением, не используя обучающих данных.

При этом авторы работы подчеркивают границы метода: прямое хирургическое вмешательство в веса помогает разблокировать уже заложенный потенциал или отключить мешающие циклы, но не способно внедрить фундаментально отсутствующие знания, что подтвердил безуспешный опыт улучшения модели Gemma.

Хотя технология находится на ранней стадии и ограничена размерами контекстного окна, она открывает перспективы для аудита скрытых уязвимостей без прогона тестов и ускоренной адаптации архитектур.

Прямое манипулирование весами может стать новым шагом к рекурсивному самосовершенствованию искусственного интеллекта, когда алгоритмы начинают оптимизировать саму структуру нейронных связей на программном уровне.