GPT-6 Astra يعدّل أوزان النماذج من دون إعادة تدريب

يتناول بحث من MIT، ورد في تقرير لـ The Decoder بتاريخ 4 نوفمبر 2026، تجارب تمكّن فيها GPT-6 Astra من تحليل أوزان نماذج ذكاء اصطناعي أخرى وتعديلها. ويعمل النهج الذي أطلق عليه الباحثون اسم «Weight-Space Programming» مباشرةً على قيم الأوزان، بدلًا من إعادة تدريب النموذج بالطرق المعتادة. وفي التجارب، استخدم Astra أحيانًا قوائم الأوزان الرقمية، واستعان أحيانًا أخرى بأدوات البرمجة ونتائج الاختبارات.

ما الذي استطاع Astra استنتاجه من الأوزان؟

زوّد الباحثون Astra بأوزان شبكات مدرّبة، وطلبوا منه تحديد ما تعلمته النماذج. وتمكّن Astra من تحديد أيّ من أربع ألعاب حاسوبية دُرّبت الشبكات على لعبها. كما تعرّف على الأشكال الأساسية التي أنشأتها نماذج توليد الصور، لكنه خلط أحيانًا بين الأشكال المصمتة وتلك المرسومة على هيئة حدود خارجية. كذلك حدّد اللغة التي دُرّبت عليها نماذج لغوية صغيرة على نحو صحيح، من دون الوصول إلى بيانات التدريب أو القدرة على تشغيل النماذج.

وفي تجربة أخرى، طُلب من Astra التعرّف على نموذج ضُبط بدقة ليوافق المستخدمين باستمرار، وذلك من بين خيارين. لم يتمكن Astra من التمييز بينهما عندما اعتمد على قيم الأوزان وحدها، لكنه توصل إلى النتيجة الصحيحة في ثلاث أزواج من النماذج حين أتيح له أيضًا رصد ما تركز عليه النماذج أثناء معالجة النصوص. وتبيّن هذه التجربة أن الأوزان وحدها لا توفر معلومات كافية في كل الحالات.

نتائج متباينة في اختبارات الألعاب

طُلب من Astra أيضًا إنشاء أوزان نماذج لثلاث ألعاب حاسوبية بسيطة، بالاستناد إلى قواعد اللعبة والشفرة المصدرية. ووفقًا للباحثين، حقق النموذج الذي أنشأه Astra متوسطًا قدره 517 نقطة في Breakout، بينما لم تتجاوز نتيجة النموذج المقارن، المدرّب بالطريقة التقليدية على مدى 100 مليون جولة، 25 نقطة. أما في اللعبتين الأخريين، فجاء نموذج Astra دون الإصدارات التي خضعت لأطول مدة تدريب.

كما أُنشئت أوزان شبكة تضم نحو 1.5 مليون معامل للعب Go على لوحة من 9x9 مربعات. وعدّل Astra الأوزان على مدى 50 تكرارًا للاختبار، مستخدمًا في كل جولة نتائج ما يصل إلى 128 لعبة تجريبية. وبحسب الباحثين، تفوقت هذه الشبكة على نموذج مماثل في الحجم دُرّب على نحو 20 مليون لعبة. واختلاف النتائج بين الألعاب لا يعني أن النهج سيحقق الأداء نفسه في كل مهمة.

تعديل محدود للأوزان في نموذج Qwen

في التجربة الأكثر عملية، أُسندت إلى Astra مهمة تحسين مهارات Qwen3.5-0.8B في الرياضيات، باستخدام بيئة للبرمجة ومسائل تدريبية. وأُجري التقييم على مسائل منفصلة لم يسبق لـ Astra الاطلاع عليها. ورصد Astra حلقات التفكير التي يكرر فيها النموذج النص نفسه بدلًا من توليد إجابة، ثم عدّل 0.016% فقط من الأوزان.

وأظهرت النتائج التي أوردها الباحثون ارتفاع أداء MATH-500 من 7.9% إلى 48.1%، وارتفاع اتباع التعليمات من 21% إلى 62%. ومع ذلك، لم تختفِ حلقات التفكير بالكامل: فما زال ثلث الإجابات يبلغ الحد الأقصى لطول النص، بعدما كانت النسبة 93% قبل التعديل. أما Gemma 3 270M، الذي نادرًا ما يقع في هذه المشكلات، فلم يحقق تحسنًا قابلًا للقياس. ويرى الباحثون أن Astra ربما أزال عائقًا كان يكبح قدرات موجودة أصلًا في Qwen؛ لكن التجربة لا تثبت إمكان اكتساب النموذج بهذه الطريقة مهارات لم تكن لديه من الأساس.

تأثير ذلك في سير العمل المعماري والتصوير البصري

لا يعلن هذا البحث عن ميزة مباشرة للنمذجة أو التصيير. لكنه يشير إلى استكشاف نهج بديل لإعادة تدريب النموذج بالكامل من أجل تغيير سلوك محدد في أدوات الذكاء الاصطناعي التي تستخدمها فرق العمارة والتصوير البصري. ولا يوضح المصدر كيفية تطبيق المنهجية على برمجيات التصميم.

ومن المهم للمكاتب اختبار النتائج على مهام إنتاج حقيقية. ويقر الباحثون بحدود المنهجية، ويرون أن إعداد دراسة معيارية للقياس المنهجي هو الخطوة التالية. ولا يتضمن التقرير معلومات عن متطلبات الأجهزة أو شروط الترخيص أو الاستخدام التجاري؛ لذلك لا يمكن اتخاذ قرار بشأن دمجها في سير العمل قبل اتضاح هذه الجوانب.