Lunes, 16 de noviembre de 2026
Portada de las 21:50
Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Inteligencia artificial · rikiyat.github.io

Astra puede leer y escribir pesos de redes neuronales para mejorar Qwen

Un blog describe la «programación en el espacio de pesos»: GPT-6 Astra lee los pesos de redes pequeñas para deducir su función, escribe desde cero otras que juegan y edita el 0,016 % de los pesos de Qwen3.5-0.8B para subir su nota en MATH-500 del 7,9 % al 48,1 %. En los comentarios hay entusiasmo y mucho escepticismo.

Foto: vía rikiyat.github.io

Leer el artículo aquíArtículo original (rikiyat.github.io) 869 comentarios en Hacker News

Escucha la noticia3 min

Los autores sostienen que los LLM de frontera leen y escriben pesos de redes neuronales mucho mejor de lo esperable en humanos o algoritmos convencionales. Llaman «Weight-Space Programming» a este enfoque: un LLM generalista lee y escribe los pesos directamente a partir de una especificación en lenguaje natural, sin optimizadores como Adam o Muon, sin descenso de gradiente y, a veces, sin ninguna señal del entorno.

En los primeros experimentos, Astra recibe como texto los pesos de redes pequeñas. Con un MLP de 17.253 pesos entrenado con PPO en cuatro juegos (Breakout, Pong, Pac-Man y Freeway, con idénticas dimensiones) acierta el juego en los cuatro casos sin que se le den las opciones. Por ejemplo, en Breakout ve los pesos del agente concentrados en la fila inferior, como una pala. En otro experimento deduce qué figura genera cada modelo de difusión (círculo, cuadrado o triángulo) leyendo la capa de salida, sin herramientas ni pasadas hacia delante, aunque dibuja contornos y no figuras rellenas. En un tercero, con tres modelos de lenguaje de 7,2 millones de parámetros a los que se quitan la primera y la última capa, debe averiguar con qué datos se entrenaron (código Python, japonés en romaji o inglés).

También afirman que Astra arregla redes: en una tarea de control físico edita el 3,5 % de los pesos de una sola vez y pasa del 0 % al 100 % de éxito. Además, escribe desde cero redes que juegan a tres juegos de MinAtar y a Go. En Qwen3.5-0.8B detecta los bucles de razonamiento que la propia ficha del modelo advierte, los atribuye a una dirección escrita por los MLP de las capas 15 y 19 y la resta de 64 columnas de salida en cada una (131.072 pesos). Con los mismos ajustes de muestreo, MATH-500 sube del 7,9 % al 48,1 % y IFEval se triplica.

En Hacker News

«Astra can read and write weights to improve Qwen» · puesto 26 · 2886 puntos · enviado por dbreunig

Lo que dicen los comentarios

Una parte de la conversación comparte la sorpresa: algunos ven un salto comparable a «Attention Is All You Need» y hablan de una vía hacia la automejora recursiva. Pero los comentarios más votados piden moderación. Un investigador en aprendizaje en el espacio de pesos recuerda que editar, generar e identificar pesos se hace desde hace años (cita ROME, de 2023), que los modelos de 20.000 parámetros son interpretables a mano y que la corrección en Qwen equivale a un steering vector, técnica ya establecida. Otros señalan que son dos resultados distintos, y que el de Qwen usó herramientas. Muchos sospechan que OpenAI ha entrenado a Astra con datos de interpretabilidad mecanicista o de pesos, y no que la capacidad sea emergente. Dos usuarios que probaron con sus propias redes no consiguieron mejoras ni que adivinara la tarea. También hay quien matiza que la mejora en MATH-500 viene de eliminar los bucles, no de enseñar matemáticas.

  • Os pido que leáis el paper antes de volveros locos. Es un proyecto interesante, pero no tan alucinante como dice la gente. Editar y generar pesos se hace desde hace años, y el blog exagera los resultados.
    — yurimo, leer el comentario
  • Es una locura. Astra determina sin herramientas a qué juegan redes pequeñas, edita pesos para mejorar resultados y mejora un Qwen pequeño en matemáticas unas cinco veces. Esta mañana habría dicho que los LLM entienden sus pesos igual o menos que un humano.
    — vessenes, leer el comentario
  • Se mezclan dos resultados. El de las redes pequeñas es sin herramientas. En Qwen sí usó herramientas y, al parecer, técnicas estándar de steering vectors para arreglar los bucles; no parece relacionado con lo anterior.
    — jsenn, leer el comentario
  • No creo que sea una capacidad emergente. Creo que Astra se entrenó con datos de pesos de redes neuronales, como intento de OpenAI de llegar a la automejora recursiva. Veremos si ha funcionado.
    — vanyle, leer el comentario
  • Intenté reproducirlo con un modelo pequeño de lenguaje natural a bash. Editar 1.920 pesos arregló algunos fallos con grep, pero rompió otros comandos. Supongo que es más fácil si el comportamiento se localiza en una zona concreta.
    — GodelNumbering, leer el comentario

Pregunta sobre esta noticia

Respuestas automáticas a partir de las noticias de El Autómata, sus fuentes y la radio. Pueden contener errores: comprueba los enlaces.

Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.