Un post tecnico sta facendo discutere la community dell'intelligenza artificiale: secondo quanto riportato, GPT-6 Astra sarebbe in grado di leggere e correggere direttamente i pesi di un'altra rete neurale, senza ricorrere ad alcun ottimizzatore tradizionale. L'esperimento ha come cavia Qwen3.5-0.8B, un modello compatto da 0,8 miliardi di parametri, su cui l'LLM generalista sarebbe intervenuto in modo chirurgico.
Un intervento chirurgico sui parametri
Il dato più sorprendente riguarda l'entità della modifica: Astra avrebbe toccato appena lo 0,016% dei pesi totali della rete. Una percentuale minima, quasi trascurabile, che però secondo il report avrebbe prodotto un effetto enorme sulle prestazioni. Il modello modificato, sempre stando al post, mostrerebbe un miglioramento netto su compiti di instruction following, ovvero la capacità di seguire le istruzioni dell'utente in modo preciso e coerente.
IFEval dal 21% al 62,3%
La metrica citata è quella di IFEval, benchmark pensato per misurare quanto un modello rispetti vincoli e direttive formulate in linguaggio naturale. Prima dell'intervento, Qwen3.5-0.8B si fermava al 21,0%; dopo la correzione dei pesi da parte di GPT-6 Astra, il punteggio sarebbe salito fino al 62,3%. Un balzo di oltre quaranta punti percentuali che, se confermato, aprirebbe scenari inediti sul modo di addestrare e rifinire i modelli linguistici: niente più cicli di fine-tuning costosi, ma una sorta di manutenzione diretta dei parametri affidata a un altro modello.
Va però sottolineato con chiarezza che si tratta di risultati molto preliminari, illustrati in un post tecnico e non ancora sottoposti a verifica indipendente. La comunità scientifica è storicamente cauta davanti a simili annunci, soprattutto quando mancano dettagli riproducibili e test esterni. La domanda resta aperta: è un nuovo paradigma o un caso isolato da prendere con le molle? Solo repliche indipendenti potranno dare una risposta solida.
