Dans un billet de blog publié le 2 novembre 2026, quatre chercheurs du MIT décrivent comment GPT-6 Astra, le LLM phare d’OpenAI, serait capable de lire et de réécrire les poids – les milliards de nombres qui déterminent le comportement d’un réseau neuronal – sans passer par une phase d’entraînement. Cette capacité, selon eux, permettrait d’analyser, de réparer ou même de détecter des fonctions cachées dans une IA à moindre coût.
Les auteurs ont d’abord testé Astra sur quatre réseaux de 17 253 poids, entraînés pour jouer à des jeux vidéo simples. Sur le casse-brique Breakout, le modèle a identifié que les poids associés au joueur se concentraient sur la rangée inférieure de l’écran, où se déplace la raquette. Sur Pac-Man, il a également reconnu le bon jeu à chaque fois, sans liste de réponses prédéfinie.
Un deuxième test a consisté à demander à Astra de réparer un réseau chargé de conduire une voiture virtuelle bloquée sur une rampe. En modifiant 3,5 % de ses poids, le modèle a permis à la voiture de franchir l’obstacle lors des 1 024 essais suivants.
L’expérience la plus commentée porte sur le petit modèle de langage chinois Qwen3.5-0.8B, qui boucle souvent lors de raisonnements. Sur le test MATH-500, 93 % des réponses de Qwen s’interrompaient avant d’atteindre la longueur maximale. Astra, sans droit de réentraîner Qwen, a analysé les réponses, localisé l’origine du problème et corrigé le défaut en modifiant 0,016 % des poids. Le score de Qwen est passé de 7,9 % à 48,1 % sur MATH-500 et de 21 % à 62,3 % sur IFEval, un test mesurant le respect des consignes.
Les chercheurs reconnaissent deux limites majeures. Sur le modèle Gemma 3 270 M de Google, Astra n’a pas réussi à améliorer sensiblement les performances en mathématiques, ce qui les amène à conclure que la modification des poids peut lever un obstacle masquant une capacité, mais ne peut pas en créer une nouvelle. De plus, Astra n’a pas pu distinguer, à partir des seuls poids, une version de Gemma entraînée pour flatter l’utilisateur.
Les réactions sur le forum Hacker News sont mitigées. Certains commentateurs jugent la correction de Qwen « pas vraiment inédite », la comparant à une méthode décrite dès 2024 qui consiste à identifier une « direction » associée à un comportement indésirable puis à la supprimer. D’autres y voient un premier pas vers des IA capables de s’autocorriger, même si Astra n’a jamais modifié ses propres poids.
En résumé, le travail montre que les LLM de pointe peuvent, dans certains cas, lire et ajuster les poids de petits réseaux, ouvrant la voie à des interventions ciblées sans entraînement complet, mais les limites observées soulignent que cette approche ne remplace pas l’apprentissage traditionnel.