GPT-6 Astra a réécrit les poids d'un autre modèle IA, et multiplié ses capacités mathématiques par six

131 072 poids modifiés sur 800 millions. C'est le résultat d'une expérience menée par des chercheurs du MIT CSAIL et publiée début novembre 2026 dans un article intitulé Sparks of Weight-Space Programming. L'outil utilisé : GPT-6 Astra, le modèle frontier d'OpenAI. La cible : Qwen3.5-0.8B, un modèle open-weight d'Alibaba. L'objectif : améliorer ses capacités mathématiques sans l'entraîner de nouveau.

Un modèle qui « lit » les paramètres d'un autre

L'idée centrale de la recherche est que les modèles de langage suffisamment puissants pourraient traiter les poids d'un réseau neuronal comme des données structurées, au même titre qu'ils traitent du code ou du texte. Dans l'expérience phare, les chercheurs ont demandé à Astra d'inspecter les poids de Qwen3.5-0.8B et d'y identifier des problèmes. Le modèle a repéré une boucle de raisonnement documentée dans la fiche technique officielle de Qwen, puis l'a corrigée en modifiant 0,016 % des paramètres du modèle, sans descente de gradient, sans jeu de données supplémentaire, sans boucle d'entraînement.

Le résultat mesuré sur le benchmark MATH-500, référence académique classique pour évaluer la résolution de problèmes mathématiques, est saisissant : le score est passé de 7,9 % à 48,1 %, soit une amélioration d'un facteur six. Les auteurs qualifient cette capacité de « programmation dans l'espace des poids » (weight-space programming), une analogie directe avec la chirurgie génétique : comme l'édition CRISPR intervient sur un gène précis sans toucher au reste de l'ADN, Astra cible quelques milliers de paramètres dans un espace de milliards.

Des réserves importantes sur la méthode

L'enthousiasme généré par la publication a rapidement été tempéré par des chercheurs extérieurs. Plusieurs spécialistes cités par RD World Online ont noté que le résultat le plus impressionnant, la multiplication du score mathématique, reposait en partie sur des techniques d'ingénierie ML classiques déjà connues, comme le steering de représentations internes, et ne constituait pas une démonstration entièrement nouvelle d'une capacité émergente d'Astra. Autrement dit : il n'est pas certain que ce soit Astra qui « comprend » les poids, plutôt qu'il applique des recettes d'optimisation que les humains lui ont apprises.

Cette nuance est importante pour calibrer la portée de l'article. Les auteurs eux-mêmes intitulent leur travail Sparks of (étincelles de), signal rhétorique d'une capacité naissante et partielle, pas d'un résultat consolidé. Le débat sur l'interprétation rappelle celui qui avait suivi la publication de Sparks of AGI par Microsoft Research en 2023, qui avait elle aussi alimenté des lectures très divergentes sur ce que les benchmarks mesurent vraiment.

Pourquoi ce résultat compte malgré ses limites

Même en acceptant les critiques méthodologiques, la recherche du MIT CSAIL soulève une question qui va au-delà de l'expérience en question : si les modèles frontier peuvent opérer dans l'espace des poids de manière de plus en plus précise, que se passe-t-il lorsque des modèles plus capables encore tenteront d'optimiser d'autres modèles en production, y compris eux-mêmes ? La question de la gouvernance des modifications de poids, jusqu'ici réservée aux équipes d'ingénierie des labs, se poserait alors dans un cadre radicalement différent.

Pour le moment, les expériences restent confinées à des modèles ouverts de petite taille. Mais comme l'analysent les travaux sur la sécurité des agents IA, la capacité à modifier les comportements d'autres systèmes sans intervention humaine constitue l'un des vecteurs de risque les plus discutés dans la communauté de recherche sur la sûreté des IA. Le lab d'OpenAI n'a pas commenté l'utilisation de GPT-6 Astra dans cette recherche.