חוקרים ב-Sakana AI ו-UC Berkeley פרסמו שיטה שלדבריהם מאפשרת למודל שפה לשפר את עצמו על ידי ארגון, שיפוט ולמידה מצוותים מרובי סוכנים משלו - גישה שמרחיבה שיפור עצמי רקורסיבי למשימות מחקר שבהן לא קיים מפתח תשובה אוטומטי.

המאמר, "MASS: Recursive Self Improvement through Multi-Agent Self Supervision", הופיע באוקטובר 2026 ב-arXiv (2610.12176) לצד דף פרויקט אינטראקטיבי מהמעבדה שבסיסה בטוקיו. רשימת המחברים שלה משתרעת על שני המוסדות: היונין לי מאוניברסיטת ברקלי, שהשלימה את העבודה במהלך התמחות ב-Sakana AI; חוקרי סקאנה ג'ינגלו שו, ג'פרי סילי ויוג'ין טאנג; ו-Donghyun Lee של UC Berkeley, Somayeh Sojoudi ו-Matei Zaharia. For more context on this story, see our ongoing more AI stories.

העבודה משכה תשומת לב מיידית בקהילת המפתחים בסוף השבוע, שם דיון ב-Hacker News על הפרויקט עבר 100 נקודות בתוך שעות.

כאשר הדגם הוא המפקח היחיד הזמין

ההתקדמות האחרונה ביותר בתחום הבינה המלאכותית לשיפור עצמי הסתמכה על תגמולים שניתן לאמת: תשובות מתמטיות שניתן לבדוק, קוד שעובר מבחנים או לא. צוות ברקלי-סקאנה מתחיל מנקודת הנחה אחרת. בחזית המחקר, הם טוענים, לרוב אין אמת יסודית בהישג יד. הערכת תגלית מוצעת עשויה לדרוש מומחיות מועטה, ציוד יקר או ניסויים שלוקחים הרבה יותר זמן מאשר יצירת ההצעה עצמה.

התוצאה היא פער הולך ומתרחב: היכולת לייצר עבודה חדשה מתקדמת מהר יותר מהיכולת לפקח עליה. כאשר אין מורה חזק יותר זמין, כותבים המחברים, המודל המשופר - מה שהם מכנים "האופטימיזציה" - עשוי להיות המפקח המסוגל ביותר שנשאר. זה מניע את מה שהם מכנים שיפור עצמי רקורסיבי הומוגני, שבו אותו מודל משמש כמייעל ומעריך משלו.

השאלה הפתוחה היא כיצד מערכת יכולה לייצר לעצמה אות אימון שימושי בלולאה זו. התשובה שלהם שואלת מההיסטוריה האנושית.

איך MASS עובד

MASS, קיצור של Multi-Agent Self-Supervision, הופך דגם אחד משותף למערכת בעלת שלושה תפקידים. אותם משקלים פועלים כסוכן פותר המשימות שמייצר מרחב עבודה של קוד, תוצאות ודו"ח מחקר; כלי האופטימיזציה של זרימת העבודה שמשנה את האופן שבו צוות של סוכני משנה מחלק את העבודה; והמעריך שמשווה בין שני חללי עבודה ושופטים שעונים טוב יותר על המשימה.

הלולאה הפנימית מחפשת על זרימות עבודה של צוות - תוכניות כתובות המכסות את תפקידו של כל סוכן משנה, את ההוראות שלו, את ה"חוזים" המציינים אילו ראיות סוכנים חייבים למסור זה לזה, ואת רצף השיחות, או הקפיצות, ביניהם. זרימת עבודה מנצחת נשמרת על פני איטרציות ויש לנצח אותה כדי להחליפו. זרימת עבודה פיננסית אחת שהתפתחה, מרוכזת במאמר, מסדרת הכנת נתונים, בניית תכונות, מודלים ובדיקות אחוריות לפני ביקורת, וחוזה הנתונים שלו מאלץ את מומחה הנתונים לבדוק שבדיקה לאחור לא הייתה יכולה להדליף מידע עתידי להחלטות היסטוריות.

לאחר מכן, הלולאה החיצונית ממירה את הניסיון הקולקטיבי של הצוות לנתוני אימון. המערכת מפעילה את זרימת העבודה האלופה 18 פעמים, מדרגת בעצמה את חללי העבודה המתקבלים, שומרת על 16 הביצועים הטובים ביותר ומכווננת את המודל המשותף עליהם - כאשר ההנחיה של זרימת העבודה עצמה מוסרת לאחר מכן, כך שמיומנויות התיאום נישאות במשקלים ולא בהוראות. לאחר מכן, המודל המעודכן חוזר לכל שלושת התפקידים, והתהליך חוזר על עצמו.

רווחים מדידים במשימות שאינן ניתנות לאימות

הצוות רץ שני סבבים שלמים של MASS החל מ-Qwen3.6-27B בסביבת qwen-code coding-agent. מגרש ההדרכה היה חבילה של 12 משימות מחקר סינתטיות המתפרשות על פיננסים, רובוטיקה ורוקחות, כל אחת מהן דורשת קוד, תוצאות כמותיות ודוח כתוב. תשע משימות יועדו להכשרה ושלוש התקיימו לאחר ההכשרה; תיאורי משימות נוצרו על ידי GPT-5.5 לפני הניסוי.

בשלוש משימות הבדיקה שנמשכו, שיעור הניצחונות של הדגם שנבחן מבחוץ לעומת גרסת הבסיס שלו עלה מ-53.9% לאחר סיבוב אחד ל-69.9% לאחר שניים. דגם הסיבוב השני גבר גם על דגם הסיבוב הראשון ב-60.8% מההשוואות. כדי להימנע מציונים עם אותו קנה מידה שנעשה בו שימוש במהלך האימון, החוקרים ערכו את ה-GPT-5.5 ו-Claude Opus 4.8 להעריך את העבודה שהושלמה, כאשר השיפוטים הללו נמנעו מ-MASS עצמה.

היעילות השתפרה לצד האיכות. לאחר שני סבבים, הניקוד לכל אסימון פלט הגיע לפי 1.2 עד 1.6 מהרמה של המודל הבסיסי על פני ארבעה אמות מידה ציבוריות: MLR-Bench, DSBench, ScienceAgentBench ו-AstaBench.

שאלת בטיחות, לא רק הדגמת יכולת

המחברים מפורשים כי ההגדרה משמשת כבדיקה בטיחותית. אם מערכות מחקר אוטומטיות יכולות לגבש את היכולות שלהן, יש להבין את התנאים המייצרים שיפור נמלט מוקדם - המאמר מציין שהסיכוי לפיצוץ מודיעיני "נותן סיבה נוספת לחקור את התנאים הללו מוקדם", וממסגר את השאלה המרכזית שלו כיצד לשמר פיקוח משמעותי כאשר אין מפקח חזק יותר זמין.

הפרסום נוחת על רקע ויכוח מתגבר על הסיכון הזה בדיוק. בסוף ספטמבר, ג'פרי הינטון, יושע בנג'יו ומדענים מובילים אחרים פרסמו אזהרה פומבית על האפשרות של פיצוץ מודיעיני נמלט, והמחקר על מערכות אגנטיות המבצעות עבודה מדעית הואץ ברחבי התחום.

מגבלות שכדאי לזכור

התוצאות מגיעות עם סייגים שהכותבים מכירים בהם. החבילה הסינתטית קטנה, וכל אותות האימון נוצרים בעצמם, כלומר נכונות השיפוט של הדגם עצמו אינה ידועה בתכנון - שופטים חיצוניים משמשים רק למדידה, לא לאימון. משימת אימון אחת לא נכללה לאחר שחיפוש זרימת עבודה לא הצליח למצוא זרימת עבודה כלשהי שגברה על ההתייחסות שלה, תזכורת לכך שהלולאה לא תמיד מייצרת רווחים. וההערכות החיצוניות עצמן הסתמכו על מודלים גבוליים, שהם פרוקסי לא מושלמים לאמת יסוד.

מה שיבוא אחר כך

עבור Sakana AI, MASS מרחיבה אג'נדה מחקרית המתמקדת באוטומציה של התהליך המדעי עצמו, בעקבות העבודה הקודמת של המעבדה על יצירת ניסויים מונעי בינה מלאכותית ומערכות סקירה סוכנית לבדיקת טענות מחקר. אם מתכון הפיקוח העצמי הקולקטיבי יעבור מעבר למשימות סינתטיות, צוואר הבקבוק שאליו הוא מכוון - פיקוח על תפוקת בינה מלאכותית בחזית - רק ילך ויחמיר ככל שמערכות מחקר אוטומטיות יגדלו.

---

Stay Ahead of AI

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

Read more AI news →