ИИ изменил 0,016% другого ИИ. Его результат в математике вырос в 6 раз (программирование в простр...

Может ли один ИИ, взглянув на исходные веса другого ИИ (17 253 немаркированных числа), определить, чему тот был обучен? На этой неделе исследователи из MIT продемонстрировали, что GPT-6 Astra делает именно это, а затем редактирует веса вручную. Мы воссоздаем картину с нуля: что представляют собой веса нейронных сетей, почему их чтение считалось безнадежным и как передовая модель читала, исправляла и даже записывала сети напрямую. Она улучшила результат Qwen3.5-0.8B с 7,9% до 48,1% на MATH-500, отредактировав всего 0,016% весов. Мы также рассматриваем, где произошел сбой, и почему это так же важно. ⏱ Разделы 0:00 Неразрешимый вопрос 1:03 Что такое веса 1:58 Как обучение их устанавливает 2:35 Наличие карты 3:09 Программирование в пространстве весов 3:49 Шаг 1: Чтение 6:24 Шаг 2: Редактирование 7:32 Исправление Qwen 9:03 Написание с нуля 10:09 Где это не сработало 11:30 Почему это важно 12:24 Третий автор 📚 Источники и изображения Такехи, Тео, Чжан, Хаттаб, «Искры программирования в пространстве весов: LLM могут изначально читать и записывать веса нейронных сетей», блог MIT CSAIL, 2 ноября 2026 г.: https://rikiyat.github.io/blog/weight... (скриншот страницы, показан для комментариев) Модель карты Qwen3.5-0.8B: https://huggingface.co/Qwen/Qwen3.5-0.8B (скриншот страницы, показан для комментариев) Музыка: "Gentle Discovery", создана для этого канала совместно с Suno. Результаты предварительные, взяты из поста в блоге, а не из рецензируемой статьи. Все диаграммы — оригинальные анимации Manim. Новые визуальные объяснения на Neural Pathways Academy. Подпишитесь, чтобы не пропустить следующее видео. #AI #MachineLearning #Interpretability #weightspaceprogramming