--- format: "aidr-story-markdown/v1" id: "4b96cf47bbe70a8cdb88f7ba83820cd53ab7133f50986f04b18fee6902fd007b" canonical_url: "https://aidr.today/4b96cf47?lang=vi" title: "Gpt-6 astra chỉnh sửa neural weights nâng điểm math của Qwen lên 48,1%" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-11-02T21:40:06.000Z" category: "Research" topics: ["openai","llm"] source_urls: ["https://marketbrief.now/ai/gpt-6-astra-edits-neural-weights-to-boost-qwen-models-math-score-to-481p-4720ace6","https://x.com/rikiyatakehi/status/2117313742891327994","https://x.com/rikiyatakehi/status/2117313810390204419","https://x.com/xennygrimmato_/status/2117364177711124841","https://x.com/TimDarcet/status/2117335428521140276","https://x.com/paul_cal/status/2117341949317538251","https://x.com/teortaxesTex/status/2117339377781080074","https://x.com/willdepue/status/2117352661200634070"] summary: "Các nhà nghiên cứu tại MIT CSAIL đã chứng minh một phương pháp để một mô hình AI frontier chẩn đoán và sửa lỗi logic cơ bản của một mạng neural khác bằng cách đọc và ghi trực tiếp các weights của nó. Dùng kỹ thuật gọi là Weight-Space Programming, nhóm đã dùng GPT-6 Astra để xác định và loại bỏ các reasoning loops trong mô hình Qwen3.5-0.8B. Astra phân tích weights để tìm tín hiệu gây lặp lại và chỉnh sửa 131.000 weights trong hai lớp MLP, nâng điểm MATH-500 của mô hình mục tiêu từ 7,9% lên 48,1% mà không cần dùng gradient truyền thống hay huấn luyện lại. Các thí nghiệm được thực hiện với ngân sách 50 forward passes trên các bài tập thực hành và tốn khoảng 1.000 USD. Ngoài việc sửa lỗi, các nhà nghiên cứu nhận thấy Astra có thể phân biệt các mạng được huấn luyện trên các tác vụ khác nhau như Pacman so với Pong chỉ bằng cách xem xét các ma trận weights. Dù một số người quan sát ngành mô tả kết quả là những \"dấu hiệu sự sống\" ban đầu thay vì một thay đổi lớn, khả năng này gợi ý một con đường tự cải thiện đệ quy cho AI mà không cần chi phí compute cao khi khởi chạy các job huấn luyện mới." --- # Gpt\-6 astra chỉnh sửa neural weights nâng điểm math của Qwen lên 48,1% > [Open the canonical story]() **Published:** 2026-11-02T21:40:06.000Z **Category:** Research **Topics:** openai, llm ## Summary Các nhà nghiên cứu tại MIT CSAIL đã chứng minh một phương pháp để một mô hình AI frontier chẩn đoán và sửa lỗi logic cơ bản của một mạng neural khác bằng cách đọc và ghi trực tiếp các weights của nó\. Dùng kỹ thuật gọi là Weight\-Space Programming, nhóm đã dùng GPT\-6 Astra để xác định và loại bỏ các reasoning loops trong mô hình Qwen3\.5\-0\.8B\. Astra phân tích weights để tìm tín hiệu gây lặp lại và chỉnh sửa 131\.000 weights trong hai lớp MLP, nâng điểm MATH\-500 của mô hình mục tiêu từ 7,9% lên 48,1% mà không cần dùng gradient truyền thống hay huấn luyện lại\. Các thí nghiệm được thực hiện với ngân sách 50 forward passes trên các bài tập thực hành và tốn khoảng 1\.000 USD\. Ngoài việc sửa lỗi, các nhà nghiên cứu nhận thấy Astra có thể phân biệt các mạng được huấn luyện trên các tác vụ khác nhau như Pacman so với Pong chỉ bằng cách xem xét các ma trận weights\. Dù một số người quan sát ngành mô tả kết quả là những "dấu hiệu sự sống" ban đầu thay vì một thay đổi lớn, khả năng này gợi ý một con đường tự cải thiện đệ quy cho AI mà không cần chi phí compute cao khi khởi chạy các job huấn luyện mới\. ## Sources - [Story source]() - [Story source]() - [Supporting source]() - [Supporting source]() - [Supporting source]() - [Supporting source]() - [Supporting source]() - [Supporting source]()