模型

GPT-6 Astra 单次通过编辑神经网络 3.5% 权重

精选理由

Andrew Ng 团队的 The Batch 报道了一个很反直觉的结果:GPT-6 Astra 不训练、不调梯度,直接改 3.5% 的权重,把一辆 AI 车从 256 次全失败跑到 1024 次全成功。做模型修复和微调的人都该看看这篇。

DeepLearningAI 在 The Batch 新闻通讯中报道,GPT-6 Astra 在单次推理过程中编辑了一个神经网络 3.5% 的权重。报道中的测试对象是一辆 AI 驱动的汽车,编辑前 256 次运行全部失败,编辑后达到 1,024 次运行全部成功,成功率从 0% 提升到 100%。整个过程没有显式重新训练、没有调用外部工具、没有梯度下降步骤。

图片来源 · DeepLearning.AI
正文

这类权重编辑不同于传统的微调流程:模型不是通过反向传播更新参数,而是直接对目标网络的部分权重进行修改。从 0/256 到 1,024/1,024 的对比表明,编辑针对的是导致任务失败的特定权重区域,改动幅度控制在 3.5% 以内。

如果这一结果可复现,权重直接编辑可能成为微调之外的模型修复路径,尤其在难以获得训练数据或梯度训练成本高的场景。开发者可以关注 deeplearning.ai/the-batch/ 的完整报道以了解实验设置细节。

原文 · DeepLearning.AI

GPT-6 Astra edited 3.5% of a neural network’s weights in one pass. The AI-powered car went from 0 of 256 successful runs to 1,024 of 1,024. No explicit retraining. No tools. No gradient steps. Read the full story in The Batch, our weekly AI newsletter 📬: deeplearning.ai/the-batch/llms… r #DeepLearningAI I #MachineLearning g #LLMs s

产业坐标与信源核验

本条情报归属 AITOP「模型」核心栏目,重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中,该动态直接关联「中美大模型技术代差与商业化对照」「AI 开发者工具链、Coding Agent 与工程化实践」研究主线,反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括:GPT-6 Astra、DeepLearningAI、权重编辑、微调,读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。

信源核验说明:本文原始线索采编自「DeepLearning.AI」(@DeepLearningAI),经 AITOP 多维评分管线结构化提炼。

GPT-6 Astra 单次通过编辑神经网络 3.5% 权重|AI热报