Un model d'IA és, al capdavall, una gran col·lecció de nombres, els paràmetres (en l'argot, *pesos*), que s'ajusten durant l'entrenament. Normalment, per canviar què fa un model cal tornar-lo a entrenar amb dades noves. Quatre investigadors del laboratori d'informàtica i intel·ligència artificial de l'MIT (CSAIL), Rikiya Takehi, Jayden Teoh, Alex Zhang i Omar Khattab, han provat una altra via: demanar a un model de llenguatge, GPT-6 Astra d'OpenAI, que llegeixi directament aquests nombres i els reescrigui a partir d'un objectiu explicat amb paraules.
Ho expliquen en una entrada de blog publicada el 2 de novembre, «Sparks of Weight-Space Programming». Segons els autors, GPT-6 Astra va endevinar, només mirant els paràmetres, amb quin joc s'havia entrenat una xarxa petita (quatre de quatre), quina forma dibuixava un generador d'imatges i amb quin text s'havia entrenat un model de llenguatge petit. També va escriure des de zero els paràmetres de xarxes per jugar a tres videojocs i al go en un tauler de 9×9. El resultat més vistós és amb Qwen3.5-0.8B, un model obert d'Alibaba: canviant-ne el 0,016% dels paràmetres, els encerts en la prova de matemàtiques MATH-500 van passar del 7,9% al 48,1%, i en la de seguir instruccions, del 21% al 62%. Un enginyer de Hugging Face que ho va repetir pel seu compte en va obtenir un 51%.
Si el mètode es consolida, obriria una manera de corregir errors concrets d'un model, com el bucle en què Qwen es quedava encallat sense acabar mai la resposta, sense el cost d'un nou entrenament. També interessa als que estudien què passa a dins dels models, perquè suggereix que un sistema prou capaç pot llegir-ne el funcionament intern. Els autors han publicat els registres de les proves a GitHub i el model modificat a Hugging Face, de manera que qualsevol ho pot comprovar.
És una entrada de blog, no un article revisat per parells, i té crítics. Matthew Honnibal, creador de l'eina spaCy, retreu que s'hi barregen experiments amb nivells d'accés molt diferents i que el resultat principal es va aconseguir amb l'anàlisi en Python que faria qualsevol enginyer; Sean Goedecke hi veu una variant de l'anomenat *steering*, una tècnica coneguda per orientar el comportament d'un model. Jürgen Schmidhuber recorda que ell ja ho va proposar als anys noranta. Els mateixos autors admeten que amb el model Gemma 3 270M no van aconseguir cap millora clara i creuen que el mètode desbloqueja capacitats que el model ja tenia, no n'hi afegeix de noves.