Bir dil modelinin başka bir modeli eğitmeden, ince ayar yapmadan ve gradyan kullanmadan değiştirebildiği 3 Kasım 2026’da gösterildi. MIT CSAIL araştırmacıları, GPT-6 Astra’yı kullanarak Qwen3.5-0.8B’nin ağırlık dosyasına doğrudan yazdı; sonuç 3 Kasım 2026’da yayımlanan teknik blog yazısında ve açık kaynak checkpoint’te kamuya açıldı.
Ölçek küçük olsa da etkisi büyük oldu. Müdahale iki katmanın (15 ve 19) down_proj matrislerinden seçilen 64’er sütuna, toplam 131.072 ağırlığa uygulandı. Bu müdahale modelin yaklaşık binde 0,16’sına denk düşüyor. MATH-500 başarısı yüzde 7,9’dan 48,1’e, GSM8K yüzde 13,8’den 67,1’e, talimat takibi (IFEval) yüzde 21,0’den 62,3’e çıktı. Cevap kesme oranı yüzde 93’ten 33,1’e indi.
Yöntem tek bir göreve özel kalmadı. Ekip aynı yaklaşımla dört oyunun dördünde, üç difüzyon modelinin üçünde ve kopyalama başlıklarında davranış değiştirdiğini bildiriyor. Kinetix deneyinde ağırlıkların yüzde 3,5’i değiştirilerek başarı yüzde sıfırdan yüzde 100’e çıkarıldı; MinAtar Breakout’ta 517,4 puan alındı, karşılaştırma noktası 100 milyon adım eğitilmiş PPO ajanının 15,8 puanı.
Nasıl çalıştığı, sonucun neden tartışmalı olduğunu da açıklıyor. Model kendi ağırlık uzayında bir ‘program’ üretiyor; elinde Python yorumlayıcısı ve sınırlı sayıda ileri geçiş (forward pass) var. Yani tam kapalı kutu değil, araç kullanan bir arama süreci. Eğitim yok, ama deneme yanılma var.
Sınırlar kaynağın kendisinde. Bulgu bir blog yazısı; arXiv’de hakem denetimli makale yok, DOI yok. Aynı yöntem Gemma 3 270M üzerinde iyileşme üretmedi. Eleştirmenler iki noktaya bastı: dilbilimci Matthew Honnibal, küçük ağlarda araçsız doğruluk izleniminin yanıltıcı olabileceğini yazdı; Sean Goedecke modelin ağırlık okuma-yazmada ‘insanüstü’ olmadığını savundu.
Denetim tarafı daha ilginç. Bağımsız bir bayt karşılaştırması 130.188 ağırlık girdisinin değiştiğini, oranın yüzde 0,015-0,017 aralığında olduğunu buldu; yani blogdaki oran büyük ölçüde doğru. Ancak arXiv’de yayımlanan ayrı bir inceleme (2611.05341), 18 deneyin 16’sını yeniden üretirken ‘temiz’ diye sunulan beş hedefin ikisinde aslında ağırlık değişimi olduğunu gösterdi. Bu, yöntemin denetlenebilirliğini zayıflatıyor: değişiklik iz bırakıyor, ama ‘iz yok’ kontrolü tek başına yeterli değil.
Pratik önemi burada. Açık ağırlıklı modeller indirilip çalıştırılıyor; bir modelin başka bir modelin dosyasını bu hassasiyetle değiştirebilmesi, model tedarik zincirinin bütünlüğünü ayrı bir güvenlik başlığı yapıyor. Kötü amaçlı bir kullanım gösterilmedi; bulgu bir yetenek gösterimi.
Bundan sonrası bağımsız kopyalamaya bakıyor. Üç soru: aynı sonuç farklı donanımda ve farklı benchmark düzeninde çıkacak mı, daha büyük modellerde ölçeklenecek mi, ve ağırlık bütünlüğü denetimi için standart bir yöntem oluşacak mı. Üçü de yoksa elimizde dikkat çekici ama kırılgan bir sonuç var.