Ερευνητές στο Sakana AI και στο UC Berkeley δημοσίευσαν μια μέθοδο που λένε ότι επιτρέπει σε ένα γλωσσικό μοντέλο να βελτιώνεται οργανώνοντας, κρίνοντας και μαθαίνοντας από τις δικές του ομάδες πολλαπλών πρακτόρων - μια προσέγγιση που επεκτείνει την αναδρομική αυτοβελτίωση σε ερευνητικές εργασίες όπου δεν υπάρχει κλειδί αυτόματης απάντησης.
Η εργασία, "MASS: Recursive Self-Improvement through Multi-Agent Self-Supervision", εμφανίστηκε τον Οκτώβριο του 2026 στο arXiv (2610.12176) μαζί με μια διαδραστική σελίδα έργου από το εργαστήριο που εδρεύει στο Τόκιο. Ο κατάλογος συγγραφέων καλύπτει και τα δύο ιδρύματα: Hyunin Lee του UC Berkeley, ο οποίος ολοκλήρωσε το έργο κατά τη διάρκεια μιας πρακτικής άσκησης στο Sakana AI. Οι ερευνητές της Sakana, Jinglue Xu, Jeffrey Seely και Yujin Tang. και οι Donghyun Lee του UC Berkeley, Somayeh Sojoudi και Matei Zaharia. For more context on this story, see our ongoing breaking AI news.
Το έργο τράβηξε την άμεση προσοχή στην κοινότητα των προγραμματιστών το Σαββατοκύριακο, όπου μια συζήτηση των Hacker News για το έργο πέρασε 100 σημεία μέσα σε λίγες ώρες.
Όταν το μοντέλο είναι ο μόνος διαθέσιμος επόπτης
Η πιο πρόσφατη πρόοδος στην αυτοβελτίωση της τεχνητής νοημοσύνης βασίζεται σε επαληθεύσιμες ανταμοιβές: μαθηματικές απαντήσεις που μπορούν να ελεγχθούν, κώδικας που είτε περνάει τεστ είτε όχι. Η ομάδα Μπέρκλεϊ-Σακάνα ξεκινάει από μια διαφορετική υπόθεση. Στα όρια της έρευνας, υποστηρίζουν, συχνά δεν υπάρχει επίγεια αλήθεια. Η αξιολόγηση μιας προτεινόμενης ανακάλυψης μπορεί να απαιτεί σπάνια τεχνογνωσία, δαπανηρό εξοπλισμό ή πειράματα που διαρκούν πολύ περισσότερο από τη δημιουργία της ίδιας της πρότασης.
Το αποτέλεσμα είναι ένα διευρυνόμενο χάσμα: η ικανότητα παραγωγής νέου έργου προχωρά ταχύτερα από την ικανότητα επίβλεψής του. Όταν δεν υπάρχει ισχυρότερος δάσκαλος, γράφουν οι συγγραφείς, το μοντέλο που βελτιώνεται — αυτό που αποκαλούν «βελτιστοποιημένο» — μπορεί να είναι ο πιο ικανός επόπτης που έχει απομείνει. Αυτό παρακινεί αυτό που ονομάζουν ομοιογενή αναδρομική αυτοβελτίωση, στην οποία το ίδιο μοντέλο λειτουργεί ως βελτιστοποιητής και αξιολογητής του.
Το ανοιχτό ερώτημα είναι πώς ένα σύστημα μπορεί να δημιουργήσει ένα χρήσιμο σήμα εκπαίδευσης για τον εαυτό του σε αυτόν τον βρόχο. Η απάντησή τους δανείζεται από την ανθρώπινη ιστορία.
Πώς λειτουργεί το MASS
Το MASS, συντομογραφία του Multi-Agent Self-Supervision, μετατρέπει ένα κοινό μοντέλο σε σύστημα τριών ρόλων. Τα ίδια βάρη λειτουργούν ως παράγοντας επίλυσης εργασιών που παράγει έναν χώρο εργασίας με κώδικα, αποτελέσματα και μια έκθεση έρευνας. το εργαλείο βελτιστοποίησης ροής εργασιών που αναθεωρεί τον τρόπο με τον οποίο μια ομάδα υποπρακτόρων κατανέμει την εργασία. και ο αξιολογητής που συγκρίνει δύο χώρους εργασίας και κρίνει ποιος ικανοποιεί καλύτερα την εργασία.
Ο εσωτερικός βρόχος πραγματοποιεί αναζήτηση στις ροές εργασιών της ομάδας — γραπτά σχέδια που καλύπτουν τον ρόλο κάθε υποπράκτορα, τις οδηγίες του, τα "συμβόλαια" που προσδιορίζουν ποια στοιχεία πρέπει να παραδίδουν οι πράκτορες ο ένας στον άλλον και τη σειρά των κλήσεων ή αναπηδήσεων μεταξύ τους. Μια πρωτοποριακή ροή εργασίας διατηρείται σε όλες τις επαναλήψεις και πρέπει να νικηθεί για να αντικατασταθεί. Μια εξελιγμένη ροή εργασιών χρηματοδότησης, συμπυκνωμένη στο έγγραφο, ακολουθεί την προετοιμασία δεδομένων, την κατασκευή χαρακτηριστικών, τη μοντελοποίηση και τον εκ των υστέρων έλεγχο πριν από έναν έλεγχο, και το συμβόλαιο δεδομένων αναγκάζει τον ειδικό δεδομένων να ελέγξει ότι ένα backtest δεν θα μπορούσε να έχει διαρρεύσει μελλοντικές πληροφορίες σε ιστορικές αποφάσεις.
Στη συνέχεια, ο εξωτερικός βρόχος μετατρέπει τη συλλογική εμπειρία της ομάδας σε δεδομένα προπόνησης. Το σύστημα εκτελεί τη ροή εργασιών του πρωταθλητή 18 φορές, αυτοκατατάσσει τους χώρους εργασίας που προκύπτουν, διατηρεί τις καλύτερες 16 εκτελέσεις και προσαρμόζει το κοινό μοντέλο σε αυτούς — με την ίδια την προτροπή ροής εργασίας να αφαιρείται στη συνέχεια, έτσι οι δεξιότητες συντονισμού μεταφέρονται στα βάρη και όχι στις οδηγίες. Στη συνέχεια, το ενημερωμένο μοντέλο συνεχίζει και τους τρεις ρόλους και η διαδικασία επαναλαμβάνεται.
Μετρήσιμα κέρδη σε μη επαληθεύσιμες εργασίες
Η ομάδα διεξήγαγε δύο πλήρεις γύρους MASS ξεκινώντας από το Qwen3.6-27B στο περιβάλλον παράγοντα κωδικοποίησης qwen-code. Ο χώρος εκπαίδευσης ήταν μια σουίτα 12 συνθετικών ερευνητικών εργασιών που κάλυπταν τα οικονομικά, τη ρομποτική και τη φαρμακευτική, καθεμία από τις οποίες απαιτούσε κωδικό, ποσοτικά αποτελέσματα και γραπτή αναφορά. Εννέα καθήκοντα ορίστηκαν για εκπαίδευση και τρεις παρακρατήθηκαν μετά την εκπαίδευση. Οι περιγραφές εργασιών δημιουργήθηκαν από το GPT-5.5 πριν από το πείραμα.
Στις τρεις εργασίες δοκιμών που έλαβαν χώρα, το εξωτερικά κριθέν ποσοστό νίκης του μοντέλου έναντι της βασικής του έκδοσης αυξήθηκε από 53,9% μετά από έναν γύρο σε 69,9% μετά από δύο. Το μοντέλο του δεύτερου γύρου κέρδισε επίσης το μοντέλο του πρώτου γύρου στο 60,8% των συγκρίσεων. Για να αποφευχθεί η βαθμολόγηση με το ίδιο κριτήριο που χρησιμοποιήθηκε κατά τη διάρκεια της εκπαίδευσης, οι ερευνητές ζήτησαν από το GPT-5.5 και τον Claude Opus 4.8 να αξιολογήσουν την ολοκληρωμένη εργασία, με αυτές τις κρίσεις να αποκρύπτονται από την ίδια τη MASS.
Η αποτελεσματικότητα βελτιώθηκε παράλληλα με την ποιότητα. Μετά από δύο γύρους, η βαθμολογία ανά διακριτικό εξόδου έφτασε το 1,2 έως 1,6 φορές το επίπεδο του βασικού μοντέλου σε τέσσερα δημόσια σημεία αναφοράς: MLR-Bench, DSBench, ScienceAgentBench και AstaBench.
Μια ερώτηση ασφάλειας, όχι απλώς μια επίδειξη ικανότητας
Οι συγγραφείς είναι ξεκάθαροι ότι η ρύθμιση λειτουργεί και ως ανιχνευτής ασφαλείας. Εάν τα αυτοματοποιημένα ερευνητικά συστήματα μπορούν να συνδυάσουν τις δικές τους δυνατότητές, οι συνθήκες που παράγουν απρόσμενη βελτίωση πρέπει να γίνουν κατανοητές από νωρίς – το έγγραφο σημειώνει ότι η προοπτική μιας έκρηξης πληροφοριών «δίνει περαιτέρω λόγους για έγκαιρη μελέτη αυτών των συνθηκών», διαμορφώνοντας το κεντρικό ερώτημά του ως προς το πώς να διατηρηθεί η ουσιαστική επίβλεψη όταν δεν υπάρχει ισχυρότερος επόπτης.
Η δημοσίευση προσγειώνεται εν μέσω εντεινόμενης συζήτησης για αυτόν ακριβώς τον κίνδυνο. Στα τέλη Σεπτεμβρίου, ο Geoffrey Hinton, ο Yoshua Bengio και άλλοι κορυφαίοι επιστήμονες εξέδωσαν μια δημόσια προειδοποίηση σχετικά με την πιθανότητα μιας έκρηξης των πληροφοριών και η έρευνα σε συστήματα πράκτορα που εκτελούν επιστημονική εργασία έχει επιταχυνθεί σε όλο το πεδίο.
Περιορισμοί που πρέπει να έχετε κατά νου
Τα αποτελέσματα συνοδεύονται από επιφυλάξεις που αναγνωρίζουν οι συγγραφείς. Η συνθετική σουίτα είναι μικρή και όλα τα σήματα εκπαίδευσης παράγονται μόνοι τους, πράγμα που σημαίνει ότι η ορθότητα των κρίσεων του ίδιου του μοντέλου είναι άγνωστη από το σχεδιασμό — οι εξωτερικοί κριτές χρησιμοποιούνται μόνο για μέτρηση, όχι για εκπαίδευση. Μία εργασία εκπαίδευσης εξαιρέθηκε αφού η αναζήτηση ροής εργασίας απέτυχε να βρει κάποια ροή εργασίας που ξεπέρασε την αναφορά της, μια υπενθύμιση ότι ο βρόχος δεν παράγει πάντα κέρδη. Και οι ίδιες οι εξωτερικές αξιολογήσεις βασίστηκαν σε μοντέλα συνόρων, τα οποία είναι ατελείς πληρεξούσιες για την αλήθεια.
Τι ακολουθεί
Για το Sakana AI, το MASS επεκτείνει μια ερευνητική ατζέντα που επικεντρώνεται στην αυτοματοποίηση της ίδιας της επιστημονικής διαδικασίας, ακολουθώντας τις προηγούμενες εργασίες του εργαστηρίου για τη δημιουργία πειραμάτων με γνώμονα την τεχνητή νοημοσύνη και τα συστήματα αναθεώρησης πρακτόρων για τον έλεγχο των ισχυρισμών έρευνας. Εάν η συνταγή συλλογικής αυτο-επίβλεψης περάσει πέρα από τις συνθετικές εργασίες, το σημείο συμφόρησης που στοχεύει —η επίβλεψη της παραγωγής τεχνητής νοημοσύνης στα σύνορα— θα γίνει πιο πιεστικό καθώς πολλαπλασιάζονται τα αυτοματοποιημένα ερευνητικά συστήματα.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
