Výzkumníci ze Sakana AI a UC Berkeley publikovali metodu, podle které se jazykový model může zlepšovat organizováním, posuzováním a učením se od vlastních multiagentních týmů – přístup, který rozšiřuje rekurzivní sebezdokonalování do výzkumných úkolů, kde neexistuje klíč pro automatickou odpověď.

Dokument „MASS: Rekurzivní sebezdokonalení prostřednictvím multiagentní sebekontroly“ se objevil v říjnu 2026 na arXiv (2610.12176) spolu s interaktivní stránkou projektu z tokijské laboratoře. Jeho seznam autorů zahrnuje obě instituce: Hyunin Lee z UC Berkeley, který dokončil práci během stáže v Sakana AI; výzkumníci ze Sakany Jinglue Xu, Jeffrey Seely a Yujin Tang; a Donghyun Lee z UC Berkeley, Somayeh Sojoudi a Matei Zaharia. For more context on this story, see our ongoing artificial intelligence updates.

Práce přitáhla okamžitou pozornost ve vývojářské komunitě o víkendu, kde diskuse Hacker News o projektu dosáhla 100 bodů během několika hodin.

Když je model jediným dostupným správcem

Nejnovější pokrok v sebezdokonalování umělé inteligence spoléhá na ověřitelné odměny: matematické odpovědi, které lze zkontrolovat, kód, který buď projde testy, nebo ne. Tým Berkeley-Sakana začíná z jiného předpokladu. Na hranici výzkumu, tvrdí, často není po ruce žádná základní pravda. Vyhodnocení navrhovaného objevu může vyžadovat vzácné odborné znalosti, nákladné vybavení nebo experimenty, které trvají mnohem déle než vytvoření samotného návrhu.

Výsledkem je prohlubující se propast: schopnost produkovat novou práci postupuje rychleji než schopnost na ni dohlížet. Když není k dispozici žádný silnější učitel, píší autoři, přičemž vylepšený model – to, co nazývají „optimizee“ – může být tím nejschopnějším zbylým supervizorem. To motivuje to, co nazývají homogenní rekurzivní sebezdokonalování, ve kterém stejný model slouží jako vlastní optimalizátor a vyhodnocovatel.

Otevřenou otázkou je, jak může systém v této smyčce pro sebe generovat užitečný tréninkový signál. Jejich odpověď si vypůjčuje z lidské historie.

Jak MASS funguje

MASS, zkratka pro Multi-Agent Self-Supervision, mění jeden sdílený model na třírolový systém. Stejné váhy fungují jako agent pro řešení úkolů, který vytváří pracovní prostor kódu, výsledků a výzkumné zprávy; optimalizátor pracovního postupu, který reviduje, jak tým subagentů rozděluje práci; a hodnotitel, který porovná dvě pracovní plochy a posoudí, která lépe vyhovuje zadání.

Vnitřní smyčka prohledává týmové pracovní postupy – písemné plány pokrývající roli každého subagenta, jeho instrukce, „smlouvy“ určující, jaké důkazy si agenti musí navzájem předat, a posloupnost hovorů nebo přeskoků mezi nimi. Pracovní postup šampiona je zachován napříč iteracemi a musí být poražen, aby mohl být nahrazen. Jeden vyvinutý finanční pracovní postup, zhuštěný v novinách, sekvenuje přípravu dat, konstrukci funkcí, modelování a zpětné testování před auditem a jeho datová smlouva nutí datového specialistu zkontrolovat, zda zpětný test nemohl uniknout budoucím informacím do historických rozhodnutí.

Vnější smyčka pak převádí kolektivní zkušenost týmu na tréninková data. Systém spustí šampionský pracovní postup 18krát, sám seřadí výsledné pracovní prostory, zachová 16 nejlepších provedení a doladí na nich sdílený model – poté, co bude samotná výzva k pracovnímu postupu odstraněna, takže koordinační dovednosti se nesou spíše v závaží než v pokynech. Aktualizovaný model pak obnoví všechny tři role a proces se opakuje.

Měřitelné zisky u neověřitelných úkolů

Tým provedl dvě kompletní kola MASS počínaje Qwen3.6-27B v prostředí qwen-code coding-agent. Tréninkové pole bylo souborem 12 syntetických výzkumných úkolů zahrnujících finance, robotiku a farmacii, z nichž každý vyžadoval kód, kvantitativní výsledky a písemnou zprávu. Devět úkolů bylo určeno pro výcvik a tři byly vyřazeny z povýcviku; popisy úloh byly generovány pomocí GPT-5.5 před experimentem.

U tří odložených testovacích úloh vzrostla externě posuzovaná míra výher modelu oproti základní verzi z 53,9 % po jednom kole na 69,9 % po dvou. Model druhého kola také porazil model prvního kola v 60,8 % srovnání. Aby se vyhnuli známkování podle stejného měřítka používaného během tréninku, nechali výzkumníci GPT-5.5 a Claude Opus 4.8 posoudit dokončenou práci, přičemž tyto úsudky samotné MASS odepřely.

Spolu s kvalitou se zlepšila i efektivita. Po dvou kolech dosáhlo skóre na výstupní token 1,2 až 1,6násobku úrovně základního modelu ve čtyřech veřejných benchmarkech: MLR-Bench, DSBench, ScienceAgentBench a AstaBench.

Bezpečnostní otázka, nejen ukázka schopností

Autoři jasně říkají, že nastavení slouží jako bezpečnostní sonda. Pokud automatizované výzkumné systémy dokážou zkombinovat své vlastní schopnosti, je třeba včas porozumět podmínkám, které vedou k rychlému zlepšení – dokument poznamenává, že vyhlídka na explozi zpravodajských služeb „dává další důvod k včasnému prostudování těchto podmínek“, čímž je kladena hlavní otázka, jak zachovat smysluplný dohled, když není k dispozici silnější supervizor.

Publikace přistává uprostřed sílící debaty o tomto přesném riziku. Koncem září Geoffrey Hinton, Yoshua Bengio a další přední vědci vydali veřejné varování před možností exploze inteligence a výzkum agentních systémů, které provádějí vědeckou práci, se v této oblasti zrychlil.

Omezení, která je třeba mít na paměti

Výsledky přicházejí s výhradami, které autoři uznávají. Syntetická sada je malá a veškerý trénovací signál se generuje sám, což znamená, že správnost vlastních úsudků modelu je návrhem neznámá – externí rozhodčí se používají pouze pro měření, nikoli pro trénování. Jeden tréninkový úkol byl vyloučen poté, co se při hledání pracovního postupu nepodařilo najít žádný pracovní postup, který by překonal jeho referenci, což připomíná, že smyčka ne vždy přináší zisky. A samotná externí hodnocení se spoléhala na hraniční modely, které jsou nedokonalými zástupci základní pravdy.

Co přijde dál

Pro Sakana AI rozšiřuje MASS výzkumnou agendu zaměřenou na automatizaci samotného vědeckého procesu v návaznosti na dřívější práci laboratoře na generování experimentů řízených umělou inteligencí a na kontrolních systémech agentů pro kontrolu výzkumných tvrzení. Pokud se recept na kolektivní samokontrolu přenese za syntetické úkoly, úzké hrdlo, na které se zaměřuje – dohled nad výstupem umělé inteligence na hranici – bude s tím, jak se automatizované výzkumné systémy množí, ještě naléhavější.

---

Stay Ahead of AI

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

Read more AI news →