सकाना एआई और यूसी बर्कले के शोधकर्ताओं ने एक ऐसी विधि प्रकाशित की है जिसके बारे में उनका कहना है कि एक भाषा मॉडल को अपनी बहु-एजेंट टीमों को व्यवस्थित करने, मूल्यांकन करने और उनसे सीखने के द्वारा खुद को बेहतर बनाने की सुविधा मिलती है - एक ऐसा दृष्टिकोण जो अनुसंधान कार्यों में पुनरावर्ती आत्म-सुधार का विस्तार करता है जहां कोई स्वचालित उत्तर कुंजी मौजूद नहीं है।
पेपर, "एमएएसएस: मल्टी-एजेंट सेल्फ-सुपरविजन के माध्यम से रिकर्सिव सेल्फ-इंप्रूवमेंट," अक्टूबर 2026 में टोक्यो स्थित लैब से एक इंटरैक्टिव प्रोजेक्ट पेज के साथ arXiv (2610.12176) पर दिखाई दिया। इसकी लेखक सूची में दोनों संस्थान शामिल हैं: यूसी बर्कले के ह्यूनिन ली, जिन्होंने सकाना एआई में इंटर्नशिप के दौरान काम पूरा किया; सकाना शोधकर्ता जिंगलू जू, जेफरी सीली और युजिन टैंग; और यूसी बर्कले के डोंगह्युन ली, सोमयेह सोजौदी और मातेई ज़हरिया। For more context on this story, see our ongoing latest AI developments.
कार्य ने सप्ताहांत में डेवलपर समुदाय का तत्काल ध्यान आकर्षित किया, जहां प्रोजेक्ट की हैकर न्यूज़ चर्चा ने कुछ ही घंटों में 100 अंक पार कर लिए।
जब मॉडल ही एकमात्र पर्यवेक्षक उपलब्ध हो
स्व-सुधार एआई में सबसे हालिया प्रगति सत्यापन योग्य पुरस्कारों पर निर्भर रही है: गणित के उत्तर जिन्हें जांचा जा सकता है, कोड जो या तो परीक्षण पास करते हैं या नहीं। बर्कले-सकाना टीम एक अलग आधार से शुरू होती है। उनका तर्क है कि शोध के मोर्चे पर अक्सर कोई जमीनी सच्चाई नहीं होती है। किसी प्रस्तावित खोज के मूल्यांकन के लिए दुर्लभ विशेषज्ञता, महंगे उपकरण या प्रयोगों की आवश्यकता हो सकती है जो प्रस्ताव तैयार करने की तुलना में कहीं अधिक समय लेते हैं।
नतीजा यह है कि अंतर बढ़ता जा रहा है: नए काम का उत्पादन करने की क्षमता उसकी निगरानी करने की क्षमता की तुलना में तेजी से आगे बढ़ रही है। जब कोई मजबूत शिक्षक उपलब्ध नहीं होता है, तो लेखक लिखते हैं, मॉडल में सुधार किया जा रहा है - जिसे वे "ऑप्टिमाइज़" कहते हैं - सबसे सक्षम पर्यवेक्षक बचा हो सकता है। यह प्रेरित करता है जिसे वे सजातीय पुनरावर्ती आत्म-सुधार कहते हैं, जिसमें एक ही मॉडल अपने स्वयं के अनुकूलक और मूल्यांकनकर्ता के रूप में कार्य करता है।
खुला प्रश्न यह है कि कोई सिस्टम उस लूप में अपने लिए एक उपयोगी प्रशिक्षण संकेत कैसे उत्पन्न कर सकता है। उनका उत्तर मानव इतिहास से लिया गया है।
मास कैसे काम करता है
MASS, मल्टी-एजेंट सेल्फ-पर्यवेक्षण का संक्षिप्त रूप, एक साझा मॉडल को तीन-भूमिका प्रणाली में बदल देता है। वही भार कार्य-समाधान एजेंट के रूप में कार्य करते हैं जो कोड, परिणाम और एक शोध रिपोर्ट का कार्यक्षेत्र तैयार करते हैं; वर्कफ़्लो ऑप्टिमाइज़र जो संशोधित करता है कि उप-एजेंटों की एक टीम काम को कैसे विभाजित करती है; और मूल्यांकनकर्ता जो दो कार्यस्थलों की तुलना करता है और निर्णय करता है कि कौन सा कार्य बेहतर ढंग से पूरा करता है।
आंतरिक लूप टीम वर्कफ़्लोज़ की खोज करता है - प्रत्येक उप-एजेंट की भूमिका, उसके निर्देशों, "अनुबंधों" को कवर करने वाली लिखित योजनाएँ जो निर्दिष्ट करती हैं कि एजेंटों को एक दूसरे को क्या सबूत सौंपने चाहिए, और उनके बीच कॉल या हॉप्स का क्रम। एक चैंपियन वर्कफ़्लो को पुनरावृत्तियों में बनाए रखा जाता है और प्रतिस्थापित करने के लिए उसे पीटा जाना चाहिए। एक विकसित वित्त वर्कफ़्लो, पेपर में संक्षेपित, ऑडिट से पहले डेटा तैयारी, फीचर निर्माण, मॉडलिंग और बैकटेस्टिंग को अनुक्रमित करता है, और इसका डेटा अनुबंध डेटा विशेषज्ञ को यह जांचने के लिए मजबूर करता है कि बैकटेस्ट भविष्य की जानकारी को ऐतिहासिक निर्णयों में लीक नहीं कर सकता है।
बाहरी लूप फिर टीम के सामूहिक अनुभव को प्रशिक्षण डेटा में परिवर्तित करता है। सिस्टम चैंपियन वर्कफ़्लो को 18 बार चलाता है, परिणामी कार्यस्थानों को स्व-रैंक करता है, सर्वश्रेष्ठ 16 निष्पादन रखता है और उन पर साझा मॉडल को ठीक करता है - वर्कफ़्लो प्रॉम्प्ट को बाद में हटा दिया जाता है, इसलिए समन्वय कौशल को निर्देशों के बजाय वज़न में ले जाया जाता है। अद्यतन मॉडल फिर सभी तीन भूमिकाओं को फिर से शुरू करता है, और प्रक्रिया दोहराई जाती है।
गैर-सत्यापन योग्य कार्यों पर मापने योग्य लाभ
टीम ने क्वेन-कोड कोडिंग-एजेंट वातावरण में क्वेन3.6-27बी से शुरू करके एमएएसएस के दो पूर्ण दौर चलाए। प्रशिक्षण मैदान वित्त, रोबोटिक्स और फार्मेसी से जुड़े 12 सिंथेटिक अनुसंधान कार्यों का एक सूट था, प्रत्येक के लिए कोड, मात्रात्मक परिणाम और एक लिखित रिपोर्ट की आवश्यकता होती थी। प्रशिक्षण के लिए नौ कार्य निर्दिष्ट किए गए थे और तीन को प्रशिक्षण के बाद के लिए रोक दिया गया था; प्रयोग से पहले कार्य विवरण GPT-5.5 द्वारा तैयार किए गए थे।
तीन आयोजित किए गए परीक्षण कार्यों में, मॉडल की उसके आधार संस्करण के मुकाबले बाहरी रूप से आंकी गई जीत दर एक दौर के बाद 53.9% से बढ़कर दो के बाद 69.9% हो गई। दूसरे दौर के मॉडल ने 60.8% तुलनाओं में पहले दौर के मॉडल को भी हरा दिया। प्रशिक्षण के दौरान उपयोग किए जाने वाले समान मानदंड के साथ ग्रेडिंग से बचने के लिए, शोधकर्ताओं ने GPT-5.5 और क्लाउड ओपस 4.8 से पूर्ण कार्य का मूल्यांकन किया, उन निर्णयों को MASS से ही रोक दिया गया।
गुणवत्ता के साथ-साथ दक्षता में भी सुधार हुआ। दो राउंड के बाद, चार सार्वजनिक बेंचमार्क: एमएलआर-बेंच, डीएसबेंच, साइंसएजेंटबेंच और एस्टाबेंच में बेस मॉडल के स्तर पर प्रति आउटपुट टोकन स्कोर 1.2 से 1.6 गुना तक पहुंच गया।
एक सुरक्षा प्रश्न, न कि केवल क्षमता का प्रदर्शन
लेखक स्पष्ट हैं कि सेटअप सुरक्षा जांच के रूप में दोगुना हो जाता है। यदि स्वचालित अनुसंधान प्रणालियाँ अपनी क्षमताओं को संयोजित कर सकती हैं, तो तेजी से सुधार लाने वाली स्थितियों को जल्दी समझने की आवश्यकता है - पेपर में कहा गया है कि एक खुफिया विस्फोट की संभावना "इन स्थितियों का जल्दी अध्ययन करने का और कारण देती है," इसका केंद्रीय प्रश्न यह है कि जब कोई मजबूत पर्यवेक्षक उपलब्ध नहीं है तो सार्थक निगरानी कैसे बनाए रखी जाए।
उस सटीक जोखिम पर तीव्र बहस के बीच प्रकाशन शुरू हुआ। सितंबर के अंत में, जेफ्री हिंटन, योशुआ बेंगियो और अन्य प्रमुख वैज्ञानिकों ने एक भगोड़े खुफिया विस्फोट की संभावना के बारे में एक सार्वजनिक चेतावनी जारी की, और पूरे क्षेत्र में वैज्ञानिक कार्य करने वाले एजेंटिक सिस्टम पर शोध में तेजी आई है।
ध्यान में रखने योग्य सीमाएँ
परिणाम उन चेतावनियों के साथ आते हैं जिन्हें लेखक स्वीकार करते हैं। सिंथेटिक सूट छोटा है, और सभी प्रशिक्षण संकेत स्वयं-उत्पन्न होते हैं, जिसका अर्थ है कि मॉडल के स्वयं के निर्णयों की शुद्धता डिज़ाइन द्वारा अज्ञात है - बाहरी न्यायाधीशों का उपयोग केवल माप के लिए किया जाता है, प्रशिक्षण के लिए नहीं। वर्कफ़्लो खोज में इसके संदर्भ को मात देने वाले किसी भी वर्कफ़्लो को खोजने में विफल होने के बाद एक प्रशिक्षण कार्य को बाहर कर दिया गया था, एक अनुस्मारक कि लूप हमेशा लाभ उत्पन्न नहीं करता है। और बाहरी मूल्यांकन स्वयं सीमांत मॉडल पर निर्भर थे, जो जमीनी सच्चाई के लिए अपूर्ण परदे के पीछे हैं।
आगे क्या आता है
सकाना एआई के लिए, एमएएसएस अनुसंधान दावों की जांच के लिए एआई-संचालित प्रयोग पीढ़ी और एजेंटिक समीक्षा प्रणालियों पर प्रयोगशाला के पहले के काम के बाद, वैज्ञानिक प्रक्रिया को स्वचालित करने पर केंद्रित एक शोध एजेंडा का विस्तार करता है। यदि सामूहिक स्व-पर्यवेक्षण नुस्खा सिंथेटिक कार्यों से परे स्थानांतरित होता है, तो यह जिस बाधा को लक्षित करता है - सीमा पर एआई आउटपुट की निगरानी करना - स्वचालित अनुसंधान प्रणालियों के बढ़ने के साथ ही अधिक दबाव बढ़ेगा।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
