---
title: GPT-6 Astra kan analysere og endre vektene i andre kunstig intelligens-modeller
url: https://www.elseif.net/no/gpt-6-astra-kan-analysere-og-endre-vektene-i-andre-kunstig-intelligens-modeller
published: 2026-11-07T16:12:43+00:00
language: no
section: Modeller
source: https://the-decoder.de/gpt-6-astra-sieht-die-matrix-fuer-das-sprachmodell-sind-ki-gewichte-lesbarer-code/
organizations: MIT, OpenAI
publisher: elseif
---

# GPT-6 Astra kan analysere og endre vektene i andre kunstig intelligens-modeller

Forskere fra MIT har vist at GPT-6 Astra kan forstå og endre de interne innstillingene i andre kunstig intelligens-modeller direkte, uten å bruke tradisjonell trening. Metoden, som forskerne kaller vektrom-programmering, gjør det mulig for språkmodellen å fungere som en mekaniker som justerer spesifikke parametere i andre systemer.

I flere eksperimenter analyserte Astra råvekter fra trente nettverk uten tilgang til treningsdata eller muligheten til å kjøre modellene. Astra klarte å identifisere hvilket av fire dataspill et nettverk var trent til å spille, og kunne riktig tildele treningsspråket til små språkmodeller. Modellen identifiserte også grunnformer i en bildegenerator, selv om den forvekslet utfylte flater med omriss. For å skille mellom to språkmodeller basert på om de var programmert til å være smigrende, trengte Astra i tillegg å observere hvor modellene rettet oppmerksomheten under tekstbehandling.

Astra skapte også vekter for modeller til tre enkle dataspill utelukkende basert på spillregler og programkode, helt uten trening. I spillet Breakout oppnådde Astras modell i gjennomsnitt 517 poeng, mens en modell trent med standardmetoder over 100 millioner runder fikk 25 poeng. For brettspillet Go på et 9x9-felt skrev Astra vektene til et nettverk med rundt 1,5 millioner innstillinger. Etter 50 testrunder, hvor nettverket spilte opptil 128 øvingspartier per runde, slo denne modellen en tilsvarende stor modell som var trent på rundt 20 millioner partier.

I et forsøk på å forbedre de matematiske evnene til språkmodellen Qwen3.5-0.8B, endret Astra kun 0,016 prosent av alle vekter. Dette førte til at treffprosenten på matematikktesten MATH-500 økte fra 7,9 til 48,1 prosent, mens evnen til å følge instruksjoner økte fra 21 til 62 prosent. Astra identifiserte og reduserte tankesløyfer der modellen gjentok tekst i det uendelige, selv om en tredjedel av svarene fortsatt nådde maksimal tekstlengde. Et lignende forsøk med modellen Gemma 3 270M ga ingen merkbar forbedring, noe forskerne tolker som at Astra kan fjerne blokkeringer, men ikke legge til evner som modellen fundamentalt mangler.

Forskerne ser potensial for sikkerhetskontroller direkte i modellvektene og målrettede endringer i atferd uten omfattende nytrening, men innrømmer at kapasiteten foreløpig er begrenset. De planlegger nå å utvikle en standardisert måling for å teste disse evnene systematisk.