إم آي تي: GPT-6 Astra يقرأ الشبكات العصبية ويعدّلها

أفاد باحثون في مختبر CSAIL بمعهد ماساتشوستس للتكنولوجيا (MIT) بأن GPT-6 Astra عدّل 0.016% من أوزان نموذج Qwen3.5-0.8B ورفع نتيجة النموذج في اختبار MATH-500 من 7.9% إلى 48.1%. والبرمجة في فضاء الأوزان (Weight-space programming) طريقة يقرأ فيها نموذج لغوي عام كبير أوزان شبكة عصبية خام ويعدّلها أو يكتبها مباشرة انطلاقًا من هدف مكتوب بلغة طبيعية، دون نزول تدرّجي أو حلقة تدريب. وقد قدّم المصطلح كل من ريكيا تاكيهي، وجايدن تيو، وأليكس تشانغ، وعمر خطاب، في مختبر CSAIL بمعهد ماساتشوستس للتكنولوجيا، في تدوينة نشرت في 2 نوفمبر 2026.

يصف أربعة باحثين في مختبر CSAIL بمعهد ماساتشوستس للتكنولوجيا ما يسمّونه البرمجة في فضاء الأوزان: نموذج لغوي كبير متقدّم يفحص أوزان شبكة عصبية خام ويعدّلها دون تدريب قائم على التدرّج. وقد استخدموا GPT-6 Astra من OpenAI كمحرّر، ولم يسمحوا له بكتابة حلقات تدريب أو استخدام النزول التدرّجي، بحيث جاء كل تغيير من استدلال النموذج حول الأرقام.

تعلّقت النتيجة الأكثر لفتًا بنموذج استدلال صغير مفتوح المصدر. فقد نجح أفضل نتائجهم في معالجة التكرار الحلقي (looping) في Qwen3.5-0.8B عبر تغيير 0.016% من أوزانه، لكن النهج نفسه لم يحسّن نموذجًا كان يفتقر إلى هذا العيب. وارتفعت نتيجة Qwen3.5-0.8B في اختبار GSM8K من 13.8% إلى 67.1%، وتحسّن IFEval من 21.0% إلى 62.3%.

جاءت تجارب القراءة أولًا. فقد درّب الفريق أربع سياسات صغيرة على نسخ خاصة به من الشبكات لِمباريات Breakout وPong وPac-Man وFreeway، مع إعطاء كل منها البنية ذاتها المكوّنة من 17,253 وزنًا، والمدخلات والأفعال ذاتها. وأثبت ذلك أن النماذج اللغوية المتقدّمة باتت قادرة على تحديد ما تفعله الشبكة عبر تحليل أوزانها وحدها.

ويرى الباحثون أن البرمجة في فضاء الأوزان قد تغيّر طريقة تحسين الشبكات العصبية وتدقيقها. والتدوينة تقرير بحثي في مرحلة مبكرة وليست ورقة خاضعة لاستعراض النظراء، لكنها تفتح اتجاهًا جديدًا لتحسين الذكاء الاصطناعي ذاتيًا وإصلاح النماذج سريعًا دون إعادة تدريب.