Pesquisadores do MIT CSAIL publicaram em 2 de novembro de 2026 um experimento que parece saído de um laboratório de ficção científica: o GPT-6 Astra, da OpenAI, consegue ler e escrever diretamente os pesos de uma rede neural, sem gradiente descendente e sem um ciclo de treinamento. O trabalho, intitulado “Sparks of Weight-Space Programming”, é assinado por Rikiya Takehi, Jayden Teoh, Alex Zhang e Omar Khattab — e os próprios autores o descrevem como resultados muito iniciais, ainda sem revisão por pares ou replicação independente.
A ideia central é o que os autores chamam de Weight-Space Programming: em vez de treinar um modelo para ajustar seus pesos, pedir a um modelo de fronteira, em linguagem natural, que interprete os números brutos de outra rede e os reescreva para um objetivo. Nos experimentos menores, o Astra identificou, apenas pelos pesos, para qual jogo uma rede havia sido treinada — Breakout, com 99% de confiança, a partir de 17.253 pesos —, corrigiu uma política de direção que ficava presa em uma rampa, com 100% de sucesso em 1.024 episódios após editar 3,5% dos pesos, e escreveu do zero redes para jogos MinAtar: em Breakout, sua rede de uma só tentativa marcou 517,4 pontos, contra 15,8 de um modelo treinado com PPO por 100 milhões de passos.
O caso do Qwen3.5-0.8B: 0,016% dos pesos, 6 vezes mais matemática
O experimento mais comentado usou o Qwen3.5-0.8B, modelo aberto da Alibaba com 800 milhões de parâmetros. Com um notebook Python sobre os pesos e um orçamento de testes (forward passes), o Astra rastreou um defeito conhecido do modelo — loops de raciocínio, que a própria ficha do Qwen alerta — até uma única direção escrita pelas MLPs das camadas 15 e 19, e subtraiu essa direção de 64 colunas de saída em cada camada: 131.072 pesos alterados, ou 0,016% do total. Com 50 forward passes, o MATH-500 saltou de 7,9% para 48,1%, o GSM8K de 13,8% para 67,1% e o IFEval, de seguir instruções, de 21,0% para 62,3%. A parcela de respostas do MATH-500 que batiam no limite de 32.768 tokens caiu de 93% para 33,1%.
Os autores, porém, colocam o freio de mão no entusiasmo: o conserto removeu um obstáculo que escondia uma habilidade, não criou uma habilidade nova. A prova está no controle com o Gemma 3 270M, modelo que raramente entra em loop: ali, nenhuma edição moveu o MATH-500 em mais de cerca de um ponto. Da mesma forma, o Astra não conseguiu identificar, só pelos pesos, qual de dois modelos havia sido treinado para ser bajulador — só acertou quando pôde observar os padrões de atenção. Os logs completos de todos os experimentos foram publicados pelos autores, que agora constroem um benchmark para medir essa capacidade de forma rigorosa.
Leia também: OpenAI lança GPT-6.1 Terra: modelo mais rápido e barato para uso de computador.
Crédito da imagem: Rikiya Takehi, Jayden Teoh, Alex Zhang e Omar Khattab, no post “Sparks of Weight-Space Programming” (imagem do experimento com Breakout).
Fontes: Rikiya Takehi e coautores (MIT CSAIL) — Sparks of Weight-Space Programming; ExplainX — GPT-6 Astra Edits Qwen Weights.
Transparência: este artigo foi produzido com auxílio de inteligência artificial, com cruzamento de publicações públicas no X e fontes da internet. Consulte as fontes originais para confirmar os detalhes.
Muse
