Sakana AI এবং UC Berkeley-এর গবেষকরা একটি পদ্ধতি প্রকাশ করেছেন যা তারা বলে যে একটি ভাষা মডেলকে তার নিজস্ব মাল্টি-এজেন্ট দলগুলিকে সংগঠিত করে, বিচার করে এবং শেখার মাধ্যমে নিজেকে উন্নত করতে দেয় - এমন একটি পদ্ধতি যা রিসার্চের কাজগুলিতে পুনরাবৃত্ত স্ব-উন্নতি প্রসারিত করে যেখানে কোনও স্বয়ংক্রিয় উত্তর কী বিদ্যমান নেই৷

কাগজ, "MASS: মাল্টি-এজেন্ট স্ব-তত্ত্বাবধানের মাধ্যমে পুনরাবৃত্ত স্ব-উন্নতি," অক্টোবর 2026-এ টোকিও-ভিত্তিক ল্যাব থেকে একটি ইন্টারেক্টিভ প্রকল্প পৃষ্ঠার সাথে arXiv (2610.12176) এ প্রকাশিত হয়েছিল। এর লেখক তালিকা উভয় প্রতিষ্ঠানকে বিস্তৃত করে: ইউসি বার্কলে-র হিউনিন লি, যিনি সাকানা এআই-তে ইন্টার্নশিপের সময় কাজটি সম্পন্ন করেছিলেন; সাকানা গবেষক জিংলু জু, জেফরি সিলি এবং ইউজিন ট্যাং; এবং ইউসি বার্কলের ডংহিউন লি, সোমায়েহ সোজুদি এবং মাতেই জাহারিয়া। For more context on this story, see our ongoing AI trends.

কাজটি সপ্তাহান্তে বিকাশকারী সম্প্রদায়ের তাত্ক্ষণিক মনোযোগ আকর্ষণ করেছিল, যেখানে প্রকল্পের একটি হ্যাকার নিউজ আলোচনা কয়েক ঘন্টার মধ্যে 100 পয়েন্ট পাস করেছে।

যখন মডেলটি একমাত্র সুপারভাইজার পাওয়া যায়

স্ব-উন্নতি AI-তে সাম্প্রতিক অগ্রগতি যাচাইযোগ্য পুরষ্কারের উপর নির্ভর করেছে: গণিতের উত্তর যা পরীক্ষা করা যেতে পারে, কোড যা পরীক্ষায় উত্তীর্ণ হয় বা না হয়। বার্কলে-সাকানা দলটি একটি ভিন্ন ভিত্তি থেকে শুরু হয়। গবেষণার সীমানায়, তারা যুক্তি দেয়, প্রায়শই হাতে কোন স্থল সত্য নেই। একটি প্রস্তাবিত আবিষ্কারের মূল্যায়নের জন্য দুর্লভ দক্ষতা, ব্যয়বহুল সরঞ্জাম বা পরীক্ষা-নিরীক্ষার প্রয়োজন হতে পারে যা প্রস্তাবটি তৈরি করার চেয়ে অনেক বেশি সময় নেয়।

ফলাফল একটি বিস্তৃত ব্যবধান: নতুন কাজ তৈরি করার ক্ষমতা এটি তত্ত্বাবধান করার ক্ষমতার চেয়ে দ্রুত অগ্রসর হচ্ছে। যখন কোন শক্তিশালী শিক্ষক পাওয়া যায় না, লেখকরা লেখেন, মডেলটিকে উন্নত করা হচ্ছে - যাকে তারা "অপ্টিমাইজি" বলে - সবচেয়ে সক্ষম সুপারভাইজার বাকি থাকতে পারে। এটি অনুপ্রাণিত করে যাকে তারা সমজাতীয় পুনরাবৃত্ত স্ব-উন্নতি বলে অভিহিত করে, যেখানে একই মডেল তার নিজস্ব অপ্টিমাইজার এবং মূল্যায়নকারী হিসাবে কাজ করে।

খোলা প্রশ্ন হল কিভাবে একটি সিস্টেম সেই লুপে নিজের জন্য একটি দরকারী প্রশিক্ষণ সংকেত তৈরি করতে পারে। তাদের উত্তর মানব ইতিহাস থেকে ধার করা হয়.

কিভাবে MASS কাজ করে

MASS, মাল্টি-এজেন্ট স্ব-তত্ত্বাবধানের জন্য সংক্ষিপ্ত, একটি ভাগ করা মডেলকে তিন-ভূমিকা সিস্টেমে পরিণত করে। একই ওজন কার্য-সমাধান এজেন্ট হিসাবে কাজ করে যা কোড, ফলাফল এবং একটি গবেষণা প্রতিবেদনের একটি কর্মক্ষেত্র তৈরি করে; ওয়ার্কফ্লো অপ্টিমাইজার যা সংশোধন করে কিভাবে সাবএজেন্টদের একটি দল কাজকে ভাগ করে; এবং মূল্যায়নকারী যে দুটি কর্মক্ষেত্র এবং বিচারকের তুলনা করে যা কাজটিকে আরও ভালভাবে সন্তুষ্ট করে।

অভ্যন্তরীণ লুপ টিম ওয়ার্কফ্লোগুলির উপর অনুসন্ধান করে — প্রতিটি সাবএজেন্টের ভূমিকা, তার নির্দেশাবলী, "চুক্তিগুলি" উল্লেখ করে লিখিত পরিকল্পনাগুলিকে কী প্রমাণ এজেন্টদের একে অপরকে হস্তান্তর করতে হবে এবং তাদের মধ্যে কলের ক্রম, বা হপস। একটি চ্যাম্পিয়ন ওয়ার্কফ্লো পুনরাবৃত্তি জুড়ে বজায় রাখা হয় এবং প্রতিস্থাপন করতে মারধর করা আবশ্যক। একটি বিকশিত ফিনান্স ওয়ার্কফ্লো, কাগজে ঘনীভূত, সিকোয়েন্স ডেটা প্রস্তুতি, বৈশিষ্ট্য নির্মাণ, মডেলিং এবং একটি অডিটের আগে ব্যাকটেস্টিং, এবং এর ডেটা চুক্তি ডেটা বিশেষজ্ঞকে পরীক্ষা করতে বাধ্য করে যে একটি ব্যাকটেস্ট ঐতিহাসিক সিদ্ধান্তগুলিতে ভবিষ্যতের তথ্য ফাঁস করতে পারে না।

বাইরের লুপ টিমের যৌথ অভিজ্ঞতাকে প্রশিক্ষণের ডেটাতে রূপান্তরিত করে। সিস্টেমটি 18 বার চ্যাম্পিয়ন ওয়ার্কফ্লো চালায়, ফলস্বরূপ ওয়ার্কস্পেসগুলিকে স্ব-র‌্যাঙ্ক করে, সেরা 16টি এক্সিকিউশন রাখে এবং সেগুলিতে ভাগ করা মডেলটিকে সূক্ষ্ম-টিউন করে — পরে ওয়ার্কফ্লো প্রম্পটটি নিজেই সরিয়ে দেওয়া হয়, তাই সমন্বয় দক্ষতা নির্দেশের পরিবর্তে ওজনে বহন করা হয়। আপডেট হওয়া মডেলটি তারপরে তিনটি ভূমিকা পুনরায় শুরু করে এবং প্রক্রিয়াটি পুনরাবৃত্তি হয়।

অ-যাচাইযোগ্য কাজগুলিতে পরিমাপযোগ্য লাভ

দলটি কিউয়েন-কোড কোডিং-এজেন্ট পরিবেশে Qwen3.6-27B থেকে শুরু করে MASS-এর দুটি সম্পূর্ণ রাউন্ড চালায়। ট্রেনিং গ্রাউন্ডে 12টি সিন্থেটিক রিসার্চ টাস্কের একটি স্যুট ছিল যার মধ্যে ফাইন্যান্স, রোবোটিক্স এবং ফার্মেসি, প্রতিটিতে কোড, পরিমাণগত ফলাফল এবং একটি লিখিত রিপোর্ট প্রয়োজন। নয়টি কাজ প্রশিক্ষণের জন্য মনোনীত করা হয়েছিল এবং তিনটি কাজ প্রশিক্ষণ-পরবর্তী থেকে রাখা হয়েছিল; পরীক্ষার আগে জিপিটি-5.5 দ্বারা কাজের বিবরণ তৈরি করা হয়েছিল।

তিনটি অনুষ্ঠিত পরীক্ষায়, মডেলটির বেস সংস্করণের বিপরীতে বাহ্যিকভাবে বিচার করা জয়ের হার এক রাউন্ডের পরে 53.9% থেকে বেড়ে দুই রাউন্ডের পরে 69.9% হয়েছে। দ্বিতীয় রাউন্ডের মডেলটি 60.8% তুলনাতে প্রথম রাউন্ডের মডেলটিকেও হারায়। প্রশিক্ষণের সময় ব্যবহৃত একই মানদণ্ডের সাথে গ্রেডিং এড়াতে, গবেষকদের GPT-5.5 এবং Claude Opus 4.8 সম্পন্ন কাজের মূল্যায়ন করা হয়েছিল, সেই বিচারগুলি MASS থেকেই আটকে রাখা হয়েছিল।

মানের পাশাপাশি দক্ষতা উন্নত হয়েছে। দুই রাউন্ডের পর, আউটপুট টোকেন প্রতি স্কোর চারটি পাবলিক বেঞ্চমার্ক জুড়ে বেস মডেলের স্তরের 1.2 থেকে 1.6 গুণে পৌঁছেছে: MLR-বেঞ্চ, DSBench, ScienceAgentBench এবং AstaBench।

একটি নিরাপত্তা প্রশ্ন, শুধু একটি সক্ষমতার ডেমো নয়

লেখকরা সুস্পষ্টভাবে বলছেন যে নিরাপত্তা অনুসন্ধান হিসাবে সেটআপ দ্বিগুণ হয়। যদি স্বয়ংক্রিয় গবেষণা সিস্টেমগুলি তাদের নিজস্ব ক্ষমতাগুলিকে যৌগিক করতে পারে, যে পরিস্থিতিগুলি পলাতক উন্নতি ঘটায় তা আগে থেকেই বোঝা দরকার - কাগজটি নোট করে যে একটি বুদ্ধিমত্তা বিস্ফোরণের সম্ভাবনা "এই শর্তগুলিকে তাড়াতাড়ি অধ্যয়ন করার আরও কারণ দেয়," এর কেন্দ্রীয় প্রশ্ন তৈরি করে কিভাবে অর্থপূর্ণ তত্ত্বাবধান সংরক্ষণ করা যায় যখন কোন শক্তিশালী সুপারভাইজার পাওয়া যায় না।

সেই সঠিক ঝুঁকি নিয়ে তীব্র বিতর্কের মধ্যে প্রকাশনাটি অবতীর্ণ হয়। সেপ্টেম্বরের শেষের দিকে, জিওফ্রে হিন্টন, ইয়োশুয়া বেঙ্গিও এবং অন্যান্য নেতৃস্থানীয় বিজ্ঞানীরা পলাতক গোয়েন্দা বিস্ফোরণের সম্ভাবনা সম্পর্কে একটি পাবলিক সতর্কতা জারি করেন এবং বৈজ্ঞানিক কাজ পরিচালনা করে এমন এজেন্টিক সিস্টেমগুলির গবেষণা ক্ষেত্র জুড়ে ত্বরান্বিত হয়েছে।

মনে রাখতে সীমাবদ্ধতা

ফলাফল লেখক স্বীকার করে সতর্কতা সঙ্গে আসে. সিন্থেটিক স্যুটটি ছোট, এবং সমস্ত প্রশিক্ষণ সংকেত স্ব-উত্পাদিত, যার অর্থ মডেলের নিজস্ব রায়ের সঠিকতা নকশা দ্বারা অজানা — বহিরাগত বিচারক শুধুমাত্র পরিমাপের জন্য ব্যবহার করা হয়, প্রশিক্ষণ নয়। ওয়ার্কফ্লো অনুসন্ধান তার রেফারেন্সকে হারাতে পারে এমন কোনও ওয়ার্কফ্লো খুঁজে পেতে ব্যর্থ হওয়ার পরে একটি প্রশিক্ষণের কাজ বাদ দেওয়া হয়েছিল, একটি অনুস্মারক যে লুপ সবসময় লাভ করে না। এবং বাহ্যিক মূল্যায়নগুলি নিজেরাই সীমান্ত মডেলের উপর নির্ভর করে, যা স্থল সত্যের জন্য অপূর্ণ প্রক্সি।

এরপর কি আসে

Sakana AI-এর জন্য, MASS গবেষণার দাবিগুলি পরীক্ষা করার জন্য AI-চালিত পরীক্ষা-নিরীক্ষা জেনারেশন এবং এজেন্টিক রিভিউ সিস্টেমের উপর ল্যাবের আগের কাজ অনুসরণ করে বৈজ্ঞানিক প্রক্রিয়াকে স্বয়ংক্রিয় করার উপর দৃষ্টি নিবদ্ধ করে একটি গবেষণা এজেন্ডা প্রসারিত করে। যদি সম্মিলিত স্ব-তত্ত্বাবধানের রেসিপিটি সিন্থেটিক কাজগুলির বাইরে স্থানান্তরিত হয়, তবে এটি যে বাধাকে লক্ষ্য করে — সীমান্তে AI আউটপুট তত্ত্বাবধান করা — কেবলমাত্র স্বয়ংক্রিয় গবেষণা সিস্টেমের সংখ্যা বৃদ্ধির সাথে সাথে আরও চাপ বৃদ্ধি পাবে।

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →