# Weight-Space Programming: cuando una IA reescribe los pesos de otra IA

3 de noviembre de 2026 · Alessandro Caprai, Divulgador, formador y consultor de IA

<https://caprai.dev/es/inteligencia-artificial/post/weight-space-programming-cuando-una-ia-reescribe-los-pesos-de-otra-ia>

---

El 0,016%. Es la proporción de pesos que una inteligencia artificial modificó dentro de otro modelo para llevarlo del 7,9% al 48,1% de respuestas correctas en una prueba de matemáticas. Sin entrenamiento y sin nuevos datos: solo razonando sobre los números que componen el modelo, como un cirujano que interviene en un punto preciso en lugar de reeducar al paciente desde cero.

Lo cuenta un artículo publicado el 2 de noviembre de 2026 por un grupo de investigadores del MIT CSAIL, que a esta capacidad le ha dado un nombre: **Weight-Space Programming**. En el artículo sobre [la IA que se construye a sí misma](/it/editoriali/post/ai-che-costruisce-se-stessa-auto-miglioramento-ricorsivo) conté cómo los modelos están aprendiendo a mejorarse. Esta es una pieza concreta de ese camino, y vale la pena entenderla bien.

> **En resumen.** El Weight-Space Programming es la capacidad de un modelo lingüístico de leer y modificar directamente los pesos de una red neuronal, es decir, los números en los que la red custodia lo que ha aprendido, partiendo de un objetivo escrito en lenguaje natural. Sin entrenamiento: razonando.

## Qué son los pesos, en palabras simples

Una red neuronal está hecha de miles, millones o miles de millones de números: los pesos. Durante el entrenamiento se ajustan poco a poco, millones de veces, hasta que el modelo aprende su tarea. El resultado funciona, pero es ilegible: ninguna persona, mirando esos números, sabría decir qué hace la red.

Hasta ahora, para cambiar el comportamiento de un modelo, había una sola vía: reentrenarlo, con datos, tiempo y costes. La investigación del MIT abre una segunda vía: pedirle a otra IA que lea los pesos y los corrija, como se hace con el código de un programa.

## Leer, reparar, escribir desde cero

Los investigadores pusieron a prueba GPT-6 Astra, un modelo de frontera usado tal cual, en ocho experimentos. Tres bastan para entender su alcance.

**Leer.** Entrenaron cuatro pequeñas redes para jugar a cuatro videojuegos diferentes, todas con la misma estructura. A Astra le dieron solo los números, unos 17.000 por red, sin decirle qué juegos estaban en competición. Las reconoció todas.

**Reparar.** Una red debía guiar un auto más allá de una rampa, pero se bloqueaba siempre: había aprendido a ir directo, sin tomar impulso. Astra entendió el defecto, modificó el 3,5% de los pesos y el auto pasó en 1.024 intentos de 1.024. Al primer intento, sin herramientas.

**Escribir desde cero.** Partiendo de las reglas de tres videojuegos, Astra escribió por sí sola las redes que los juegan. En los tres superó a redes entrenadas con el método tradicional durante 100 millones de pasos.

## El caso que hace noticia

Luego el salto de escala: Qwen3.5-0.8B, un verdadero modelo lingüístico de 800 millones de pesos. Su defecto era conocido: en los razonamientos matemáticos se atascaba, repitiendo las mismas frases hasta agotar el espacio disponible. De 96 respuestas de prueba, 85 terminaban así.

Astra identificó la parte del modelo responsable de los ciclos y la neutralizó, tocando 131.072 pesos de 800 millones. En matemáticas el modelo pasó del 7,9% al 48,1%, en los problemas de nivel escolar del 13,8% al 67,1%. Y hubo un efecto que nadie había pedido: la capacidad de seguir las instrucciones subió del 21% al 62,3%. El [modelo corregido](https://huggingface.co/RikiyaT/Qwen3.5-0.8B-weight-space-programming) es público, como los registros completos de cada experimento.

## Qué no demuestra todavía

Aquí está la diferencia entre leer una noticia y entenderla. Los investigadores intentaron mejorar en matemáticas también un modelo más pequeño, que no sufría de ciclos: **no lo lograron**. Su conclusión es clara: modificar los pesos puede quitar un obstáculo que ocultaba una capacidad, pero no puede añadir una que el modelo no tiene.

Hay un segundo límite. Ante dos modelos idénticos, uno honesto y otro entrenado para darle siempre la razón al usuario, Astra no logró distinguirlos mirando solo los pesos. Lo logró únicamente observando cómo los dos modelos leían un texto. Leer desde dentro una red grande sigue siendo difícil: estamos en los inicios, y los autores son los primeros en decirlo.

## Qué cambia para las empresas

Si este camino se consolida, las consecuencias prácticas son tres.

- **Costes.** Corregir un defecto preciso sin reentrenar significa ahorrar tiempo, datos y cálculo. Para quien usa modelos pequeños y económicos, es la diferencia entre sustituir una herramienta y repararla.
- **Control.** Los autores imaginan descubrir problemas y comportamientos ocultos, incluso manipulaciones intencionadas, leyendo los pesos en lugar de esperar a que emerjan durante el uso. Para quien debe demostrar que un sistema es confiable, sería un cambio de perspectiva.
- **Seguridad.** Vale también lo contrario: si una IA sabe reescribir los pesos con precisión quirúrgica, alguien podría usarla para alterarlos. Saber de dónde viene un modelo, y quién lo ha modificado, se convertirá en una pregunta que hacer siempre.

## Un paso hacia la IA que se mejora a sí misma

Entre las perspectivas, los autores citan precisamente el auto-mejoramiento recursivo: un modelo capaz de inspeccionar, corregir y mejorar sus propios pesos, o los de un modelo más nuevo. Es el hilo que conecta esta investigación con la serie que estoy escribiendo, y trae consigo la misma pregunta: cuando las modificaciones las hace una máquina, ¿quién las verifica? También por esto el grupo está construyendo un banco de pruebas para medir esta capacidad, de modo que transformar lo que hoy llaman «magia negra» en una disciplina de ingeniería rigurosa.

## Preguntas frecuentes

**¿El Weight-Space Programming sustituye el entrenamiento?**
No. Hoy funciona en redes pequeñas y en defectos precisos, y no añade capacidades que un modelo no posee.

**¿Se necesita un modelo especial?**
No: en los experimentos se usó un modelo de frontera genérico, sin adaptaciones. Es su capacidad de razonar la que hace el trabajo.

**¿Los resultados son verificables?**
Sí. Los investigadores publicaron los registros completos de los experimentos y el modelo corregido.

## En síntesis

Los modelos se están convirtiendo en objetos que se pueden leer y corregir, no solamente usar. Para quien trabaja con IA en la empresa es un cambio de mentalidad: entender cómo funcionan, aunque sea solo en los principios, es el primer paso para gobernarlos. Es el trabajo que hago en los cursos de [formación para empresas](/it/aziende).

*Fuente: Rikiya Takehi, Jayden Teoh, Alex Zhang y Omar Khattab, [«Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights»](https://rikiyat.github.io/blog/weight-space-programming/), MIT CSAIL, 2 de noviembre de 2026.*
