Naar de hoofdinhoud
Kunstbrein, AI-nieuws met duiding
20 november 2026
Terug naar het nieuws

AI-tools

GPT-6 Astra past andere AI-modellen aan zonder training, maar een onafhankelijke toets ontbreekt

MIT-onderzoekers tonen dat GPT-6 Astra de interne instellingen van andere AI-modellen kan lezen en aanpassen, al heeft de aanpak duidelijke grenzen.

Op basis van The Decoder en Simon Willison

5 min lezen 2 bronnen

Samengesteld met AI-assistentie uit de onderstaande bronnen, onder redactie van Frederiek Pascal. Hoe dit werkt

In het kort

  • GPT-6 Astra van OpenAI kan volgens MIT-onderzoekers de interne getallen (gewichten) van andere AI-modellen lezen en aanpassen, zonder het gebruikelijke trainingsproces.
  • Door slechts 0,016 procent van de gewichten van Qwen3.5-0.8B te wijzigen, steeg de score op een rekentest van 7,9 naar 48,1 procent.
  • Bij het kleinere model Gemma 3 270M leverde dezelfde aanpak geen meetbare verbetering op, dus de methode werkt niet overal.
  • Voor Vlaamse kmo's is dit nog onderzoek en geen product: er is nu niets dat je moet aanpassen, maar goedkoper bijsturen van AI kan op termijn relevant worden.

Wat dit voor jou betekent

MIT-onderzoekers hebben aangetoond dat GPT-6 Astra, het model van OpenAI, de interne instellingen van andere AI-modellen kan lezen en gericht kan aanpassen. Die instellingen heten gewichten: enorme tabellen met getallen die bepalen hoe een model reageert. Normaal pas je ze aan met een lang en duur trainingsproces. Astra deed het in de proeven zonder dat proces. De onderzoekers noemen de aanpak “Weight-Space Programming”.

Wat kon GPT-6 Astra precies?

Astra kon uit de ruwe getallen afleiden wat een ander model geleerd had. Het herkende welk van vier computerspelletjes een netwerk speelde, en het herkende de taal waarop kleine taalmodellen getraind waren. Dat lukte zonder trainingsgegevens en zonder het model te laten draaien.

Het ging niet altijd vanzelf. Bij de vraag welk van twee modellen was getraind om gebruikers altijd naar de mond te praten, zag Astra eerst geen verschil. Pas toen het ook mocht bekijken waar de modellen tijdens het verwerken van tekst op letten, koos het in alle drie de modelparen het juiste.

Astra schreef ook zelf getallen voor kleine spelmodellen, enkel op basis van de spelregels en de broncode. Volgens de onderzoekers deden die het in één spel beter dan modellen die met een standaardmethode 100 miljoen rondes getraind waren: gemiddeld 517 punten tegenover 25 bij Breakout. In twee andere spellen bleef Astra achter bij de langst getrainde versies.

Wat leverde de ingreep op bij een taalmodel?

Bij het taalmodel Qwen3.5-0.8B verbeterde Astra de rekenvaardigheid door slechts 0,016 procent van de gewichten te wijzigen. De score op de rekentest MATH-500 steeg van 7,9 naar 48,1 procent, en bij het opvolgen van instructies van 21 naar 62 procent.

Astra vond een probleem dat de documentatie van Qwen zelf al vermeldt: het model blijft soms in een lus steken en herhaalt dezelfde tekst in plaats van te antwoorden. Helemaal weg was die lus niet. Een derde van de antwoorden haalde nog de maximale lengte, tegenover 93 procent eerder.

Bij het kleinere Gemma 3 270M, dat zelden in zulke lussen valt, leverde Astra geen meetbare verbetering. De onderzoekers vermoeden dat Astra een blokkade kon wegnemen die bestaande vaardigheden onderdrukte. Vaardigheden die een model echt mist, kon het niet toevoegen.

Hoe sterk is dit bewijs?

De cijfers komen van de onderzoekers zelf. Een onafhankelijke herhaling of een gestandaardiseerde test staat niet in de bronnen. De onderzoekers geven toe dat de mogelijkheden beperkt zijn en werken aan een benchmark om dit systematisch te meten.

Er is ook kritiek. Jürgen Schmidhuber noemde de aanpak “old hat” en verwees naar eigen werk uit de jaren 1990. Volgens onderzoeker Omar Khattab ligt de nieuwigheid in hoe goed huidige taalmodellen kunnen vertalen tussen menselijke taal en de getallen van een netwerk. Matthew Honnibal vond de paper misleidend omdat ze twee zaken door elkaar haalt: wat een model kan met alleen de ruwe getallen, en wat het kan met programmeertools erbij. Sean Goedecke merkte op dat het Qwen-voorbeeld dezelfde stappen volgt als een menselijke onderzoeker.

Simon Willison, die met taalmodellen experimenteert, probeerde de spelvraag zelf op zijn laptop met Qwen 3.8 27B. Het model koos na tussen de 46 minuten en ruim een uur denkwerk drie van de vier spellen juist, en faalde bij het vierde, het obscuurdere Freeway. Hij noemt het een knappe paper, maar vindt een deel van de bredere commentaar overdreven en gelooft niet dat het tijdperk van broncode voorbij is.

Wat zeggen de bronnen niet?

De bronnen zeggen niets over kosten, over of dit werkt op grote commerciële modellen, of over wanneer het in een product terechtkomt. Ze noemen enkel mogelijke toepassingen: controles van de veiligheid rechtstreeks op de gewichten en gerichte gedragsaanpassingen zonder dure hertraining. De proeflogs staan op GitHub en het aangepaste Qwen-model op Hugging Face, dus anderen kunnen het nakijken.

Wat betekent dit voor jou

Goedkoper bijsturen van AI is nog toekomstmuziek

  • Kmo's met een AI-assistent of chatbot Er is geen actie nodig. Het gaat om onderzoek met kleine modellen, zonder product of prijs, en je leverancier merkt hier voorlopig niets van.
  • Marketeers en ondernemers die AI-leveranciers vergelijken Wees kritisch voor claims over 'zelf bijsturende' AI. De cijfers komen van de onderzoekers zelf en een onafhankelijke toets ontbreekt, dus vraag leveranciers om bewijs op jouw taken.
  • Bedrijven die AI-gedrag willen controleren Controles direct op de gewichten zijn volgens de onderzoekers een mogelijke toepassing. Op termijn kan dat het nazicht van AI-systemen eenvoudiger maken, maar dat is nu nog een belofte.

Veelgestelde vragen

Wat zijn gewichten van een AI-model?

Gewichten zijn de getallen waarin een AI-model alles opslaat wat het geleerd heeft. Ze staan in grote tabellen en bepalen hoe het model op invoer reageert. Wie ze verandert, verandert het gedrag van het model. Normaal gebeurt dat via training, hier deed een ander taalmodel het rechtstreeks.

Kan ik GPT-6 Astra nu inzetten om mijn eigen AI aan te passen?

De bronnen zeggen daar niets over. Het gaat om een onderzoeksexperiment van MIT-onderzoekers met kleine modellen. Er is geen kant-en-klaar product of prijs vermeld. De proeflogs en het aangepaste Qwen-model zijn wel openbaar beschikbaar voor wie het wil nakijken.

Maakt deze methode hertraining van AI overbodig?

Nee, dat blijkt niet uit de bronnen. De ingreep werkte bij Qwen omdat er een blokkade zat, maar bij Gemma 3 270M gaf ze geen verbetering. Nieuwe vaardigheden die een model niet heeft, kon Astra niet toevoegen. De onderzoekers noemen de mogelijkheden zelf nog beperkt.

Is de kritiek op de paper terecht?

Dat valt uit de bronnen niet te beslissen. Schmidhuber wijst op eigen werk uit de jaren 1990, Honnibal vindt twee onderwerpen onterecht vermengd en Goedecke ziet menselijke stappen. De onderzoekers noemen hun bijdrage vooral de vertaling tussen taal en getallen. Een onafhankelijke test ontbreekt nog.

Hoe snel is een lokaal model dat dit probeert?

Traag. Simon Willison liet Qwen 3.8 27B op zijn laptop de spelvraag oplossen en het model deed er tussen de 46 minuten en ruim een uur over per vraag. Drie van de vier spellen herkende het correct, het minder bekende Freeway niet.

Bronnen

Deel dit artikel

Volg Kunstbrein in Google

Zet Kunstbrein bij je voorkeursbronnen. Dan zie je het vaker bij het nieuws bovenaan je zoekresultaten en in de AI-antwoorden van Google.

Voeg toe als voorkeursbron (opent Google in een nieuw tabblad)

Nieuwsbrief

Nieuwsbrief: wil je dinsdag en vrijdag het belangrijkste AI-nieuws in je mailbox?

Een selectie met bij elk stuk de duiding: wat verandert dit voor jouw zaak?

Uitschrijven kan met één klik onderaan elke mail. Zie ook Privacy en cookies.