Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Предиктивную модель научились обновлять по результатам новых экспериментов без переобучения и повторных вызовов LLM. Команда WeightLoop показала в препринте, который не прошёл рецензирование и содержит полученные авторами числа, что целевые правки улучшили ранжирование в семи из восьми режимов против исходной модели и во всех восьми — против случайных правок. В системах для планирования экспериментов один вызов LLM можно вынести в начало работы, а последующие обновления выполнять обычным кодом.
GPT-6 Astra один раз получает описание задачи, код модели и структуру параметров, после чего пишет ограниченную программу для их правки. Когда приходят измерения, программа находит расхождения с прогнозом, строит варианты изменений и проверяет их на части уже измеренных примеров, которая не участвовала в подборе. Подходящий вариант записывается в контрольную точку модели; если качество не растёт, параметры остаются прежними.
Каждую правку редактор строит от исходной версии, поэтому ошибки последовательных обновлений не накапливаются. В модели с 3,6 млн параметров он изменил 16 из 128 выходных весов, а после сохранения и повторной загрузки модель точно воспроизвела все 914 изменённых прогнозов. В последовательном отборе целевая правка улучшила среднее итоговое качество находок против обоих вариантов сравнения во всех трёх задачах.
Метод проверяли через офлайн-воспроизведение публичных клеточных экспериментов по росту, миграции, аутофагии и поглощению LDL. Тесты охватили нейросеть, линейную модель Ridge и XGBoost; редактор сравнивали с неизменённой моделью и перестановкой тех же правок по случайным параметрам. Результат показывает работоспособность схемы на записанных измерениях, а не в живом лабораторном цикле.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
