Investigadores del MIT exploran cómo un modelo de lenguaje puede interpretar y editar los parámetros de otras redes neuronales. Sus resultados iniciales abren una vía para corregir comportamientos concretos.
Una IA que trabaja sobre los números de otra
Un equipo del laboratorio CSAIL del MIT publicó el 2 de noviembre de 2026 una serie de experimentos sobre Weight-Space Programming, o programación en el espacio de pesos. La propuesta consiste en utilizar un modelo de lenguaje para interpretar y modificar directamente los parámetros de una red neuronal siguiendo un objetivo expresado en lenguaje natural.
Los investigadores probaron GPT-6 Astra en tareas de lectura, corrección y creación de pesos. Presentan los resultados como una exploración temprana de esta capacidad.
El caso de Qwen y sus razonamientos repetitivos
Uno de los experimentos se centró en Qwen3.5-0.8B, cuya documentación advertía de problemas de repetición durante el razonamiento. Astra editó el 0,016 % de sus pesos sin utilizar un proceso de entrenamiento por gradientes.
Según los autores, con los mismos ajustes de generación, la puntuación en MATH-500 pasó del 7,9 % al 48,1 %. La intervención también mejoró los resultados en una prueba de seguimiento de instrucciones.
Qué son los pesos y qué significa editarlos
Los pesos son valores numéricos que intervienen en los cálculos del modelo. Durante el entrenamiento, esos valores se ajustan para modificar su comportamiento. Un ajuste fino continúa ese proceso a partir de un modelo existente.
Puede resultar útil imaginar una mesa de mezclas con muchísimos controles conectados entre sí. Cambiar uno puede modificar varios aspectos del sonido. En una red neuronal, encontrar una modificación útil exige comprobar sus efectos sobre las respuestas, porque un parámetro puede participar en distintos comportamientos.
La programación en el espacio de pesos explora la posibilidad de razonar sobre esos ajustes y escribirlos directamente. El modelo ya ha sido entrenado previamente y la intervención sigue necesitando recursos de análisis y evaluación.
Por qué terminar una respuesta puede mejorar una puntuación
Imaginemos que un estudiante sabe resolver un ejercicio, pero dedica todo el examen a revisar repetidamente el primer paso. Al terminar el tiempo, deja la respuesta incompleta. Una intervención que le ayude a avanzar puede mejorar su resultado sin enseñarle un tema nuevo.
Ese ejemplo ayuda a entender por qué conviene estudiar los errores detrás de una puntuación. Un resultado incorrecto y una respuesta que se queda sin terminar pueden recibir la misma calificación, aunque requieran soluciones distintas.
Qué habría que comprobar antes de aplicar un ajuste
Una evaluación práctica debería examinar tanto el comportamiento que se quiere corregir como las capacidades que el modelo necesita conservar. Si se modifica un asistente para reducir repeticiones, también interesaría comprobar cómo resume documentos, sigue instrucciones y responde en los idiomas que utilizan sus usuarios.
También habría que medir el coste completo de encontrar y validar la modificación. El porcentaje de pesos editados describe el alcance del cambio, pero por sí solo no permite calcular el ahorro energético ni el tiempo necesario para obtenerlo.
La pregunta que abre esta línea de trabajo es concreta: hasta qué punto se podrán corregir fallos identificables mediante ajustes pequeños y comprobables. La utilidad dependerá de que esas correcciones funcionen de forma consistente más allá de los ejemplos que permitieron descubrirlas.
Fuentes y referencias
Sombra Radio · Apoyo de lectores
Ayuda a mantener viva Sombra Radio
Tu aportación voluntaria nos ayuda a seguir publicando sobre IA. Puedes apoyarnos desde 1 € al mes.
