---
title: GPT-6 Astra förbättrade Qwen3.5-0.8B matematikresultat genom att ändra vikter
url: https://www.elseif.net/sv/gpt-6-astra-forbattrade-qwen35-08b-matematikresultat-genom-att-andra-vikter
published: 2026-11-06T09:14:46+00:00
language: sv
section: Modeller
source: https://www.it-connect.fr/gpt-6-astra-weight-space-programming-poids-ia/
organizations: OpenAI, MIT CSAIL
publisher: elseif
---

# GPT-6 Astra förbättrade Qwen3.5-0.8B matematikresultat genom att ändra vikter

Modellen GPT-6 Astra har modifierat vikterna i den mindre modellen Qwen3.5-0.8B, vilket resulterade i att dess resultat på benchmarktestet MATH-500 ökade från 7,9 procent till 48,1 procent.

Experimentet utfördes av fyra forskare vid MIT CSAIL och presenterades i en rapport med titeln Sparks of Weight-Space Programming den 2 november 2026. Forskarna använde en teknik som kallas Weight-Space Programming, där en stor språkmodell får läsa och skriva vikterna i ett annat neuralt nätverk baserat på mål formulerade i naturligt språk, helt utan en träningsfas.

För att genomföra uppgiften användes GPT-6 Astra från OpenAI. Modellen anropades via Codex CLI med alla integrerade verktyg avaktiverade. När experimentet tillät Astra att skriva Python-kod kördes denna kod av forskarna i en sandlåda.

Qwen3.5-0.8B hade ett känt problem där modellen ofta hamnade i tankeloopar, vilket hindrade den från att slutföra sina svar. Astra analyserade modellens svar och vikter genom att använda Python-kod utan grafikprocessor och utnyttjade matematikövningar från GSM8K och MATH. Genom att köra modellen i upp till 50 omgångar, där varje omgång omfattade upp till 512 problem, identifierade Astra att looparna orsakades av en signal i lager 15 och 19 av modellens 24 lager.

Astra korrigerade problemet genom att ändra 131 072 vikter av totalt 0,8 miljarder, vilket motsvarar 0,016 procent av vikterna. Forskarna konstaterade att Astra inte gav modellen en ny förmåga i matematik, utan snarare tog bort ett störande beteende som tidigare maskerat modellens faktiska kapacitet.

I andra tester på mindre neurala nätverk som tränats för enkla videospel eller bilsimulatorer visade tekniken liknande resultat. Ett motexempel visades med Gemma 3 270M, där Astra inte lyckades förbättra resultatet på MATH-500, vilket steg från 6,8 procent till maximalt 7,7 procent.

Forskarna lyfter även fram implikationer för cybersäkerhet. Tekniken skulle kunna användas för att granska modeller efter bakdörrar direkt i vikterna, men det finns också en risk att en modell kirurgiskt kan infoga diskreta och skadliga beteenden i en annan modells vikter.