GPT-6 Astra a modifié les poids d’un modèle sans réentraînement

L’étude du MIT rapportée par The Decoder le 4 novembre 2026 porte sur des expériences dans lesquelles GPT-6 Astra analyse et modifie les poids d’autres modèles d’intelligence artificielle. L’approche, que les chercheurs ont baptisée « Weight-Space Programming », consiste à agir directement sur les valeurs des poids plutôt qu’à réentraîner le modèle selon les méthodes habituelles. Lors des expériences, Astra a parfois utilisé des listes de poids numériques et, dans d’autres cas, des outils de programmation et les résultats des tests.

Ce qu’Astra a pu déduire des poids

Les chercheurs ont fourni à Astra les poids de réseaux entraînés et lui ont demandé de déterminer ce que les modèles avaient appris. Astra a correctement identifié auquel de quatre jeux vidéo les réseaux avaient été entraînés. Il a également reconnu les formes élémentaires générées par des modèles de génération d’images, mais a parfois confondu les formes pleines avec celles représentées en contour. Il a aussi correctement identifié la langue d’entraînement de petits modèles de langage, sans accès aux données d’entraînement ni possibilité d’exécuter les modèles.

Dans une autre expérience, Astra devait repérer, parmi deux modèles, celui qui avait été ajusté pour être systématiquement d’accord avec les utilisateurs. Incapable de les distinguer à partir des seules valeurs des poids, Astra a trouvé la bonne réponse pour trois paires de modèles lorsqu’il a également pu observer ce à quoi les modèles prêtaient attention pendant le traitement du texte. Cette expérience montre que les poids, à eux seuls, ne fournissent pas toujours suffisamment d’informations.

Des résultats variables dans les tests de jeux

Astra devait aussi générer les poids d’un modèle pour trois jeux vidéo simples à partir de leurs règles et de leur code source. Selon les chercheurs, le modèle créé par Astra a obtenu un score moyen de 517 à Breakout, contre 25 pour le modèle de comparaison, entraîné avec une méthode standard pendant 100 millions de parties. Dans les deux autres jeux, le modèle d’Astra a obtenu des résultats inférieurs à ceux des versions ayant bénéficié des entraînements les plus longs.

Pour un plateau de Go de 9 x 9 cases, Astra a généré les poids d’un réseau d’environ 1,5 million de paramètres. Au cours de 50 itérations de test, il a ajusté les poids en utilisant jusqu’à 128 parties d’essai par tour. Selon les chercheurs, ce réseau a surpassé un modèle de taille comparable entraîné sur environ 20 millions de parties. La variation des résultats selon les jeux ne signifie pas que l’approche offre les mêmes performances pour toutes les tâches.

Modification limitée des poids du modèle Qwen

Dans l’expérience la plus concrète, Astra devait améliorer les capacités mathématiques de Qwen3.5-0.8B à l’aide d’un environnement de programmation et de problèmes d’entraînement. L’évaluation a été réalisée sur des problèmes distincts qu’Astra n’avait pas vus auparavant. Astra a repéré des boucles de raisonnement dans lesquelles le modèle répétait le même texte au lieu de produire une réponse, puis n’a modifié que 0,016 % des poids.

D’après les résultats communiqués par les chercheurs, le score au MATH-500 est passé de 7,9 % à 48,1 %, tandis que la capacité à suivre les instructions est passée de 21 % à 62 %. Les boucles de raisonnement n’ont toutefois pas complètement disparu : un tiers des réponses atteignaient encore la longueur maximale de texte. Avant la modification, cette proportion était de 93 %. Avec Gemma 3 270M, qui présentait rarement ce problème, aucune amélioration mesurable n’a été obtenue. Les chercheurs pensent qu’Astra a peut-être levé un obstacle qui inhibait des capacités déjà présentes chez Qwen ; l’expérience ne montre pas que cette méthode permette d’ajouter au modèle des compétences qui lui faisaient fondamentalement défaut.

Effets sur les workflows d’architecture et de visualisation

Cette étude n’annonce pas directement une nouvelle fonctionnalité de modélisation ou de rendu. Elle montre toutefois que des chercheurs étudient une autre approche que le réentraînement complet d’un modèle pour modifier un comportement précis dans les outils d’intelligence artificielle utilisés par les équipes d’architecture et de visualisation. La source n’explique pas comment cette méthode pourrait être appliquée aux logiciels de conception.

Pour les studios, il est important de tester les résultats sur des tâches de production réelles. Les chercheurs reconnaissent les limites de la méthode et envisagent une étude comparative comme prochaine étape afin de permettre des mesures systématiques. L’article ne fournit pas d’informations sur les besoins matériels, les conditions de licence ou l’utilisation commerciale ; sans ces éléments, il est impossible de décider comment intégrer la méthode à un workflow.