Recherche — 5 novembre 2026. Une équipe du laboratoire CSAIL du Massachusetts Institute of Technology (MIT) décrit une série d’expériences où un modèle d’intelligence artificielle inspecte des réseaux neuronaux et modifie directement certains de leurs paramètres. Le résultat le plus spectaculaire concerne un petit modèle Qwen : 7,9 % de bonnes réponses au test MATH-500 avant intervention, contre 48,1 % après, selon les auteurs. Cette avancée demeure expérimentale.
Une publication scientifique datée du 2 novembre
Rikiya Takehi, Jayden Teoh, Alex Zhang et Omar Khattab ont publié leurs travaux sous le titre « Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights ». Leur idée est de confier à un modèle généraliste des objectifs portant directement sur des coefficients internes — les « poids » — d’autres réseaux neuronaux. Dans certains protocoles, il doit diagnostiquer leur fonctionnement ; dans d’autres, produire ou modifier des poids sans lancer de réentraînement classique.
L’expérience Qwen : moins de boucles de raisonnement, davantage de réponses achevées
Les chercheurs demandent à GPT-6 Astra d’améliorer les performances mathématiques du modèle Qwen3.5-0.8B sans recourir à la descente de gradient. Selon leur rapport, Astra repère des directions d’activation associées à des raisonnements qui tournent en boucle, puis propose une intervention ciblée portant sur 131 072 paramètres, soit approximativement 0,016 % du modèle.
- MATH-500 : 7,9 % avant intervention et 48,1 % après.
- GSM8K : 13,8 % avant et 67,1 % après, dans les conditions décrites.
- IFEval : 21,0 % avant et 62,3 % après, soit une hausse proche d’un facteur trois.
Ces pourcentages correspondent aux évaluations rapportées par les auteurs avec leurs paramètres de génération. Ils ne signifient pas que le modèle a acquis de façon générale l’ensemble des connaissances mathématiques qui lui manquaient. La correction semble avoir principalement réduit un défaut qui empêchait le système d’achever correctement de nombreuses réponses.
Huit expériences, au-delà des mathématiques
Les chercheurs présentent également de petits réseaux utilisés dans des environnements de jeu, des modèles générant des formes simples et des systèmes de contrôle. Dans certaines expériences, Astra identifie le type de tâche d’un réseau à partir de ses paramètres. Dans d’autres, il écrit des réseaux compacts qui, sur les jeux sélectionnés, dépassent les références entraînées par des approches classiques selon les protocoles publiés.
Une méthode différente de l’entraînement classique
L’entraînement habituel d’un réseau ajuste ses paramètres par un algorithme d’optimisation sur de nombreux exemples. Ici, l’IA propose une intervention dans l’espace de ces paramètres après raisonnement et analyse. Le processus peut inclure des calculs et des essais, mais les auteurs indiquent ne pas avoir autorisé l’emploi d’une boucle classique d’entraînement par gradients pour cette expérience.
Les limites empêchent d’annoncer une révolution accomplie
La robustesse du résultat dans d’autres architectures, sur de plus grands modèles et en dehors des problèmes présentant une anomalie localisée n’est pas démontrée. Les auteurs décrivent d’ailleurs des expériences moins convaincantes, notamment lorsque le modèle cible ne présente pas de défaut simple à corriger. Les artefacts, journaux et modèles modifiés publiés permettent des vérifications externes, mais la réplication indépendante à grande échelle reste une étape nécessaire.
Analyse PRODPRESS : de nouveaux moyens d’auditer les modèles ?
Si les résultats sont reproduits, cette approche pourrait enrichir l’inspection technique des IA, leur réparation ciblée et l’étude de leurs comportements internes. Elle soulève aussi des questions de sécurité : qui autorise la modification d’un modèle, comment prouver l’absence d’effets secondaires et comment auditer les interventions automatiques ? Les performances affichées sont un signal scientifique intéressant, pas la preuve qu’une IA serait désormais capable de réécrire fiablement n’importe quelle autre IA.
Sources et documents consultés
- Takehi, Teoh, Zhang et Khattab (MIT CSAIL) — publication originale, 2 novembre 2026
- DataCamp — analyse méthodologique, 3 novembre 2026
- GitHub — tutoriel et vérification indépendante des différences de poids (projet tiers)
PRODPRESS® — Analyse éditoriale établie le 5 novembre 2026. Les documents et déclarations sont attribués à leurs auteurs. Les projections et résultats non reproduits indépendamment ne constituent pas des faits définitivement établis. Authentique. Impertinent. Libre.

