Los pesos de una red neuronal suelen considerarse ilegibles: millones de números producidos por un optimizador que solo se examinan de forma indirecta. Una entrada de blog de cuatro investigadores del MIT CSAIL, recogida por el canal de vídeo Two Minute Papers, sostiene que GPT-6 Astra puede leerlos y escribirlos más bien como código, y llama a la idea programación en el espacio de pesos.
Los experimentos empiezan en pequeño. Cuatro redes idénticas, cada una con 17.253 pesos, se entrenaron para jugar versiones en cuadrícula de Breakout, Pong, Pac-Man y Freeway. Con solo los pesos en bruto como texto y sin lista de opciones, Astra acertó el juego de las cuatro, en un caso con un 99% de confianza. Identificó qué forma dibujaba cada uno de tres pequeños modelos de difusión, de nuevo solo a partir de los pesos. Con las capas de entrada y salida eliminadas de tres diminutos modelos de lenguaje por caracteres, dijo en qué idioma se habían entrenado, Python, japonés en romaji o inglés, y encontró todas las cabezas de copia, en línea con lo que los investigadores midieron ejecutando las redes.
Después escribió pesos. Ante una política que llevaba un coche de frente contra una rampa y se atascaba, Astra explicó el fallo y, en un solo intento y sin herramientas, editó el 3,5% de los pesos para que el coche lo lograra en los 1.024 episodios de prueba. El resultado principal llega con un modelo real: cuando se le pidió mejorar a Qwen3.5-0.8B en matemáticas sin entrenamiento, Astra atribuyó la conocida tendencia del modelo a entrar en bucles en modo razonamiento a una dirección escrita por las capas MLP 15 y 19 y la restó, cambiando el 0,016% de los pesos. MATH-500 subió del 7,9% al 48,1%, GSM8K del 13,8% al 67,1% e IFEval, una prueba de seguimiento de instrucciones, del 21,0% al 62,3%.
Para quien haya leído nuestra reseña de GPT-6 Astra, es una demostración llamativa de un modelo que razona sobre estructura y no sobre texto superficial. También dio pie a una respuesta rápida: el preprint Tree-Ising, que tratamos aparte, usó los registros públicos del agente para replantear la misma reparación como un problema de optimización y logró una puntuación algo mayor en MATH-500 por unos 0,90 dólares de tiempo de GPU.
Esa respuesta es el marco adecuado para las salvedades. Es una entrada de blog, no un artículo revisado por pares, y la mayoría de los experimentos usan redes mucho más pequeñas que cualquier cosa en producción. El arreglo de Qwen elimina un fallo bien documentado en lugar de añadir capacidades nuevas, y que un optimizador barato lo iguale sugiere que lo difícil fue el diagnóstico, no la edición. La capacidad parece real; hasta dónde escala y cuánto cuesta por tarea sigue sin saberse.