Weight Space Programming - zdolność modeli frontierowych do generowania i edytowania wag sieci neuronowych bezpośrednio, bez gradientowego treningu - zostało potwierdzone przez niezależne replikacje i uznane za istotne odkrycie pomimo wcześniejszych sporów wokół oryginalnej publikacji. Choć część twierdzeń z pierwszego artykułu przedstawiono w zbyt sprzyjającym świetle, liczne niezależne sprawdzenia potwierdziły, że jądro odkrycia jest warte uwagi i nie wymaga wycofania lub "fake news" postawienia.
Kluczowe wyniki pokazują wyraźny skok zdolności między generacjami modeli. Replikacja Alex Krentzela eksperymentu MIT-u wykazała, że najnowsze modele potrafiły generować sieci do gry Breakout osiągające wyniki do 22 razy lepsze niż sieciowe linie bazowe wytrenowane wzmacniającym. Hugging Face niezależnie powtórzyła badania przy użyciu ML Intern - własnego open-source harnesu do badań AI - i opublikowała model oraz interaktywną demonstrację.
Odkrycie to ma znaczenie dla zrozumienia wewnętrznych możliwości współczesnych LLM-ów i sugeruje, że modele mogą manipulować wagami neuronów w zupełnie nowy sposób. Implikuje to potencjalne zastosowania w automatycznym projektowaniu sieci, optymalizacji architektur i szybszym tworzeniu specjalistycznych modeli bez tradycyjnego procesu treningu.