Языковые модели создали веса медицинских классификаторов без обучающих изображений

Авторы работы Weight-Space Programming for Medical Imaging исследовали, могут ли языковые модели напрямую задавать параметры нейросети для классификации медицинских изображений. В препринте, представленном на arXiv 9 ноября 2026 года, Claude Opus 5.5 и GPT-6 Astra генерировали веса и смещения небольшой свёрточной сети типа LeNet за один ответ — без инструментов и доступа к изображениям. Этот подход авторы называют программированием в пространстве весов: модель записывает параметры сети вместо их подбора на обучающих данных.

Исследователи проверили сети на семи задачах, охватывающих рентген грудной клетки, УЗИ молочной железы, КТ брюшной полости и МРТ таза. На шести задачах MedMNIST обе модели показали результат выше случайного: средний тестовый AUC составил 0,719 у Opus и 0,711 у Astra. AUC характеризует способность классификатора различать классы; значение 0,5 соответствует случайному различению. По данным авторов, обе сгенерированные сети обошли MedSigLIP в режиме без обучения под конкретную задачу на пяти из шести задач, используя более чем в 10 тысяч раз меньше параметров.

Однако та же архитектура, обученная оптимизатором Adam всего на 256 размеченных изображениях, показала более высокий AUC на каждой задаче MedMNIST — в среднем 0,828. На наборе МРТ SynthUterus результат Opus составил 0,764, а Astra — 0,136: авторы связывают результат ниже случайного с систематической ошибкой.

Работа демонстрирует исследовательский подход к созданию классификаторов, который пока не заменяет обучение на данных. Авторы объявили публикацию протокола экспериментов, журналов и всех сгенерированных весов.