Os pesos de uma rede neural costumam ser vistos como ilegíveis: milhões de números produzidos por um otimizador, examinados só de forma indireta. Um post de blog de quatro pesquisadores do MIT CSAIL, destacado pelo canal de vídeo Two Minute Papers, argumenta que o GPT-6 Astra consegue lê-los e escrevê-los mais como código, e chama a ideia de programação no espaço de pesos.
Os experimentos começam pequenos. Quatro redes idênticas, cada uma com 17.253 pesos, foram treinadas para jogar versões em grade de Breakout, Pong, Pac-Man e Freeway. Só com os pesos brutos em texto e sem lista de opções, o Astra acertou o jogo das quatro, num caso com 99% de confiança. Identificou que forma cada um de três pequenos modelos de difusão desenhava, de novo só pelos pesos. Em três minúsculos modelos de linguagem por caractere, sem as camadas de entrada e saída, apontou o idioma de treinamento, Python, japonês em romaji ou inglês, e encontrou todas as cabeças de cópia, batendo com o que os pesquisadores mediram rodando as redes.
Depois escreveu pesos. Diante de uma política que levava um carro direto contra uma rampa, onde ele travava, o Astra explicou a falha e, numa única tentativa sem ferramentas, editou 3,5% dos pesos para que o carro tivesse sucesso em todos os 1.024 episódios de teste. O resultado principal está num modelo real: pedido para melhorar o Qwen3.5-0.8B em matemática sem treinamento, o Astra atribuiu a conhecida tendência do modelo de entrar em loop no modo de raciocínio a uma direção escrita pelas camadas MLP 15 e 19 e a subtraiu, alterando 0,016% dos pesos. O MATH-500 subiu de 7,9% para 48,1%, o GSM8K de 13,8% para 67,1% e o IFEval, um teste de seguir instruções, de 21,0% para 62,3%.
Para quem leu nossa análise do GPT-6 Astra, é uma demonstração marcante de um modelo raciocinando sobre estrutura, e não sobre texto superficial. Também gerou uma resposta rápida: o preprint Tree-Ising, que tratamos à parte, usou os registros públicos do agente para reformular o mesmo conserto como um problema de solucionador e chegou a uma nota um pouco maior no MATH-500 por cerca de 0,90 dólar de tempo de GPU.
Essa resposta é o enquadramento certo para as ressalvas. Trata-se de um post de blog, não de um artigo revisado por pares, e a maioria dos experimentos usa redes muito menores do que qualquer coisa em produção. O conserto do Qwen remove uma falha bem documentada em vez de acrescentar capacidade nova, e um otimizador barato igualá-lo sugere que a parte difícil foi o diagnóstico, não a edição. A capacidade parece real; até onde ela escala e quanto custa por tarefa ainda está em aberto.