محققان در Sakana AI و UC Berkeley روشی را منتشر کرده‌اند که می‌گویند به یک مدل زبان اجازه می‌دهد با سازمان‌دهی، قضاوت و یادگیری از تیم‌های چند عاملی خود، خود را بهبود بخشد - رویکردی که خود-بهبودی بازگشتی را به کارهای تحقیقاتی که در آن کلید پاسخ خودکار وجود ندارد، گسترش می‌دهد.

مقاله "MASS: بازگشتی خود-بهبودی از طریق نظارت بر خود چند عاملی" در اکتبر 2026 در arXiv (2610.12176) در کنار یک صفحه پروژه تعاملی از آزمایشگاه مستقر در توکیو ظاهر شد. فهرست نویسندگان آن هر دو مؤسسه را در بر می گیرد: هیونین لی از دانشگاه برکلی، که کار را در طول دوره کارآموزی در Sakana AI به پایان رساند. محققین ساکانا جینگلو ژو، جفری سیلی و یوجین تانگ. و دونگهیون لی، سمیه سجودی و متی زهاریا از UC Berkeley. For more context on this story, see our ongoing AI industry coverage.

این کار در آخر هفته توجه جامعه توسعه دهندگان را به خود جلب کرد، جایی که بحث هکر نیوز در مورد پروژه در عرض چند ساعت 100 نقطه را پشت سر گذاشت.

وقتی مدل تنها ناظر موجود است

بیشتر پیشرفت‌های اخیر در هوش مصنوعی خود-بهبود متکی به پاداش‌های قابل تأیید است: پاسخ‌های ریاضی قابل بررسی، کدهایی که تست‌ها را قبول می‌کنند یا نمی‌کنند. تیم برکلی-ساکانا از یک فرض متفاوت شروع می کند. آنها استدلال می کنند که در مرز تحقیق اغلب هیچ حقیقتی در دست نیست. ارزیابی یک اکتشاف پیشنهادی ممکن است به تخصص کمیاب، تجهیزات پرهزینه یا آزمایش‌هایی نیاز داشته باشد که بسیار بیشتر از تولید خود پیشنهاد طول بکشد.

نتیجه یک شکاف بزرگتر است: توانایی تولید کار جدید سریعتر از توانایی نظارت بر آن پیشرفت می کند. وقتی معلم قوی‌تری در دسترس نباشد، نویسندگان می‌نویسند، مدلی که بهبود می‌یابد – چیزی که آن‌ها «بهینه‌سازی» می‌نامند – ممکن است تواناترین ناظر باقی‌مانده باشد. این انگیزه‌ای را ایجاد می‌کند که آن‌ها به آن خود-بهبودی بازگشتی همگن می‌گویند، که در آن همان مدل به عنوان بهینه‌ساز و ارزیاب خود عمل می‌کند.

سوال باز این است که چگونه یک سیستم می تواند یک سیگنال آموزشی مفید برای خود در آن حلقه تولید کند. پاسخ آنها از تاریخ بشر وام گرفته شده است.

MASS چگونه کار می کند

MASS، مخفف Multi-Agent Self-Supervision، یک مدل مشترک را به یک سیستم سه نقشی تبدیل می کند. همان وزن ها به عنوان عامل حل کار عمل می کنند که یک فضای کاری از کد، نتایج و یک گزارش تحقیقاتی تولید می کند. بهینه ساز گردش کار که نحوه تقسیم کار تیمی از عوامل فرعی را بازبینی می کند. و ارزیاب که دو فضای کاری را با هم مقایسه می کند و قضاوت می کند که کار را بهتر برآورده می کند.

حلقه درونی گردش‌های کاری تیم را جستجو می‌کند – طرح‌های نوشته‌شده‌ای که نقش هر عامل فرعی، دستورالعمل‌های آن، «قراردادها» را که مشخص می‌کند عوامل شواهدی باید به یکدیگر بدهند، و ترتیب تماس‌ها یا پرش‌ها بین آنها را پوشش می‌دهد. یک گردش کار قهرمان در طول تکرارها حفظ می شود و برای جایگزینی باید شکست بخورد. یک گردش کار مالی تکامل یافته، که در مقاله فشرده شده است، آماده سازی داده ها، ساخت ویژگی ها، مدل سازی و آزمون های برگشتی را قبل از ممیزی ترتیب می دهد، و قرارداد داده آن متخصص داده را وادار می کند تا بررسی کند که یک بک آزمون نمی تواند اطلاعات آینده را در تصمیمات تاریخی درز کند.

سپس حلقه بیرونی تجربه جمعی تیم را به داده های آموزشی تبدیل می کند. این سیستم گردش کار قهرمان را 18 بار اجرا می‌کند، فضاهای کاری حاصل را خود رتبه‌بندی می‌کند، بهترین 16 اجرا را نگه می‌دارد و مدل به اشتراک‌گذاشته‌شده را روی آن‌ها تنظیم می‌کند - در حالی که خود دستور گردش کار پس از آن حذف می‌شود، بنابراین مهارت‌های هماهنگی در وزن‌ها به جای دستورالعمل‌ها انجام می‌شود. سپس مدل به روز شده هر سه نقش را از سر می گیرد و این روند تکرار می شود.

سود قابل اندازه گیری در وظایف غیر قابل تأیید

این تیم دو دور کامل MASS را از Qwen3.6-27B در محیط کدگذاری-عامل کد qwen اجرا کرد. زمین آموزشی مجموعه ای از 12 کار تحقیقاتی مصنوعی بود که شامل امور مالی، رباتیک و داروسازی بود که هر کدام به کد، نتایج کمی و یک گزارش مکتوب نیاز داشتند. نه وظیفه برای آموزش تعیین شد و سه وظیفه از پس از آموزش حذف شدند. شرح وظایف قبل از آزمایش توسط GPT-5.5 ایجاد شد.

در سه تکلیف آزمایشی نگه‌داشته‌شده، نرخ برد مدل در مقایسه با نسخه پایه آن از 53.9 درصد پس از یک دور به 69.9 درصد پس از دو مرحله افزایش یافت. مدل دور دوم نیز در 60.8 درصد از مقایسه ها، مدل دور اول را شکست داد. برای اجتناب از درجه‌بندی با همان معیاری که در طول آموزش استفاده می‌شود، محققان از GPT-5.5 و Claude Opus 4.8 کار تکمیل‌شده را ارزیابی کردند، در حالی که این قضاوت‌ها از خود MASS خودداری کردند.

بهره وری در کنار کیفیت بهبود یافته است. پس از دو دور، امتیاز هر توکن خروجی به 1.2 تا 1.6 برابر سطح مدل پایه در چهار معیار عمومی رسید: MLR-Bench، DSBench، ScienceAgentBench و AstaBench.

یک سوال ایمنی، نه فقط یک نسخه آزمایشی قابلیت

نویسندگان به صراحت می گویند که این راه اندازی به عنوان یک کاوشگر ایمنی دو برابر می شود. اگر سیستم‌های تحقیقاتی خودکار بتوانند قابلیت‌های خود را ترکیب کنند، شرایطی که منجر به بهبود بی‌نظیری می‌شوند باید زودتر درک شوند - این مقاله خاطرنشان می‌کند که دورنمای یک انفجار اطلاعاتی «دلایل بیشتری برای مطالعه زودهنگام این شرایط می‌دهد» و این سؤال اصلی را در چارچوب این سؤال مطرح می‌کند که چگونه می‌توان نظارت معنی‌دار را در زمانی که هیچ ناظر قوی‌تری در دسترس نیست حفظ کرد.

این نشریه در بحبوحه بحث تشدید شده در مورد این خطر دقیق قرار می گیرد. در اواخر سپتامبر، جفری هینتون، یوشوا بنجیو و سایر دانشمندان برجسته هشداری عمومی در مورد احتمال انفجار اطلاعاتی فراری دادند و تحقیقات در مورد سیستم‌های عاملی که کار علمی انجام می‌دهند در سراسر این زمینه سرعت گرفته است.

محدودیت هایی که باید در نظر داشته باشید

نتایج با هشدارهایی همراه است که نویسندگان آن را تصدیق می کنند. مجموعه مصنوعی کوچک است، و تمام سیگنال های آموزشی خود تولید می شوند، به این معنی که صحت قضاوت های خود مدل با طراحی ناشناخته است - داورهای خارجی فقط برای اندازه گیری استفاده می شوند، نه آموزش. یک کار آموزشی پس از اینکه جستجوی گردش کار نتوانست هیچ گردش کاری را پیدا کند که مرجع آن را شکست دهد کنار گذاشته شد، یادآور این است که حلقه همیشه سود ایجاد نمی کند. و خود ارزیابی‌های خارجی بر مدل‌های مرزی تکیه می‌کردند، که نمایندگان ناقصی برای حقیقت پایه هستند.

بعد چه می آید

برای Sakana AI، MASS یک دستور کار تحقیقاتی متمرکز بر خودکار کردن فرآیند علمی را گسترش می‌دهد، به دنبال کار قبلی آزمایشگاه روی تولید آزمایش مبتنی بر هوش مصنوعی و سیستم‌های بررسی عاملی برای بررسی ادعاهای تحقیقاتی. اگر دستور العمل خود نظارت جمعی فراتر از وظایف مصنوعی باشد، گلوگاه مورد نظر - نظارت بر خروجی هوش مصنوعی در مرز - با افزایش سیستم‌های تحقیقاتی خودکار، سخت‌تر می‌شود.

---

Stay Ahead of AI

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

Read more AI news →