អ្នកស្រាវជ្រាវនៅ Sakana AI និង UC Berkeley បានបោះពុម្ពវិធីសាស្រ្តដែលពួកគេនិយាយថាអនុញ្ញាតឱ្យគំរូភាសាប្រសើរឡើងដោយរៀបចំ វិនិច្ឆ័យ និងរៀនពីក្រុមពហុភ្នាក់ងាររបស់ខ្លួន ដែលជាវិធីសាស្រ្តដែលពង្រីកការកែលម្អខ្លួនឯងឡើងវិញទៅក្នុងកិច្ចការស្រាវជ្រាវដែលមិនមានគន្លឹះចម្លើយស្វ័យប្រវត្តិ។

ក្រដាស "MASS: Recursive Self-Improvement through Multi-Agent Self-Supervision" បានបង្ហាញខ្លួននៅក្នុងខែតុលា ឆ្នាំ 2026 នៅលើ arXiv (2610.12176) រួមជាមួយទំព័រគម្រោងអន្តរកម្មពីមន្ទីរពិសោធន៍ដែលមានមូលដ្ឋាននៅទីក្រុងតូក្យូ។ បញ្ជីអ្នកនិពន្ធរបស់វាលាតសន្ធឹងលើស្ថាប័នទាំងពីរ៖ Hyunin Lee នៃ UC Berkeley ដែលបានបញ្ចប់ការងារកំឡុងពេលកម្មសិក្សានៅ Sakana AI ។ អ្នកស្រាវជ្រាវ Sakana Jinglue Xu, Jeffrey Seely និង Yujin Tang; និង Donghyun Lee របស់ UC Berkeley, Somayeh Sojoudi និង Matei Zaharia ។ For more context on this story, see our ongoing breaking AI news.

ការងារនេះបានទាក់ទាញចំណាប់អារម្មណ៍ភ្លាមៗនៅក្នុងសហគមន៍អ្នកអភិវឌ្ឍន៍កាលពីចុងសប្តាហ៍ ដែលការពិភាក្សារបស់ Hacker News នៃគម្រោងនេះបានឆ្លងកាត់ 100 ពិន្ទុក្នុងរយៈពេលប៉ុន្មានម៉ោង។

នៅពេលដែលគំរូគឺជាអ្នកគ្រប់គ្រងតែមួយគត់ដែលអាចប្រើបាន

វឌ្ឍនភាពថ្មីៗបំផុតក្នុងការកែលម្អ AI ដោយខ្លួនឯងបានពឹងផ្អែកលើរង្វាន់ដែលអាចផ្ទៀងផ្ទាត់បាន៖ ចម្លើយគណិតវិទ្យាដែលអាចពិនិត្យបាន លេខកូដដែលឆ្លងកាត់ការសាកល្បង ឬអត់។ ក្រុម Berkeley-Sakana ចាប់ផ្តើមពីកន្លែងផ្សេងគ្នា។ នៅឯព្រំដែននៃការស្រាវជ្រាវ ពួកគេប្រកែក ជារឿយៗមិនមានការពិតនៅក្នុងដៃទេ។ ការវាយតម្លៃការរកឃើញដែលបានស្នើឡើងអាចត្រូវការអ្នកជំនាញខ្វះខាត ឧបករណ៍ថ្លៃៗ ឬការពិសោធន៍ដែលចំណាយពេលយូរជាងការបង្កើតសំណើដោយខ្លួនឯង។

លទ្ធផលគឺគម្លាតកាន់តែធំ៖ សមត្ថភាពក្នុងការផលិតការងារថ្មីកំពុងរីកចម្រើនលឿនជាងសមត្ថភាពក្នុងការត្រួតពិនិត្យវា។ នៅពេលដែលមិនមានគ្រូខ្លាំងជាងនេះទេ អ្នកនិពន្ធសរសេរ គំរូដែលកំពុងត្រូវបានកែលម្អ — អ្វីដែលគេហៅថា “អ្នកបង្កើនប្រសិទ្ធភាព” — អាចជាអ្នកគ្រប់គ្រងដែលមានសមត្ថភាពបំផុតដែលនៅសល់។ នោះជំរុញឱ្យអ្វីដែលពួកគេហៅថាការកែលម្អខ្លួនឯងដដែលៗ ដែលក្នុងនោះគំរូដូចគ្នាបម្រើជាអ្នកបង្កើនប្រសិទ្ធភាព និងអ្នកវាយតម្លៃផ្ទាល់របស់វា។

សំណួរបើកចំហគឺថាតើប្រព័ន្ធមួយអាចបង្កើតសញ្ញាហ្វឹកហ្វឺនដែលមានប្រយោជន៍សម្រាប់ខ្លួនវាយ៉ាងដូចម្តេចនៅក្នុងរង្វិលជុំនោះ។ ចម្លើយរបស់ពួកគេខ្ចីពីប្រវត្តិសាស្ត្រមនុស្ស។

របៀបដែល MASS ដំណើរការ

MASS ដែលខ្លីសម្រាប់ Multi-Agent Self-Supervision ប្រែក្លាយគំរូចែករំលែកមួយទៅជាប្រព័ន្ធបីតួនាទី។ ទម្ងន់ដូចគ្នាដើរតួជាភ្នាក់ងារដោះស្រាយភារកិច្ច ដែលបង្កើតកន្លែងធ្វើការនៃកូដ លទ្ធផល និងរបាយការណ៍ស្រាវជ្រាវ។ កម្មវិធីបង្កើនប្រសិទ្ធភាពលំហូរការងារដែលពិនិត្យឡើងវិញពីរបៀបដែលក្រុមភ្នាក់ងាររងបែងចែកការងារ។ និងអ្នកវាយតម្លៃដែលប្រៀបធៀបកន្លែងធ្វើការពីរ និងចៅក្រមដែលបំពេញការងារបានល្អជាង។

រង្វិលជុំខាងក្នុងស្វែងរកលើលំហូរការងារជាក្រុម — ផែនការជាលាយលក្ខណ៍អក្សរដែលគ្របដណ្តប់លើតួនាទីរបស់ភ្នាក់ងាររងនីមួយៗ ការណែនាំរបស់វា "កិច្ចសន្យា" ដែលបញ្ជាក់ពីអ្វីដែលភ្នាក់ងារភស្តុតាងត្រូវប្រគល់ឱ្យគ្នាទៅវិញទៅមក និងលំដាប់នៃការហៅទូរសព្ទ ឬ hops រវាងពួកគេ។ លំហូរការងាររបស់ជើងឯកត្រូវបានរក្សាទុកនៅទូទាំងការធ្វើម្តងទៀត ហើយត្រូវតែវាយដើម្បីជំនួស។ លំហូរការងារផ្នែកហិរញ្ញវត្ថុដែលវិវត្តន៍មួយ ដែលបង្រួបបង្រួមក្នុងក្រដាស រៀបចំទិន្នន័យតាមលំដាប់លំដោយ ការសាងសង់លក្ខណៈពិសេស គំរូ និងការធ្វើតេស្តត្រឡប់មកវិញ មុនពេលសវនកម្ម ហើយកិច្ចសន្យាទិន្នន័យរបស់វាបង្ខំឱ្យអ្នកឯកទេសទិន្នន័យពិនិត្យមើលថា backtest មិនអាចលេចធ្លាយព័ត៌មាននាពេលអនាគតទៅក្នុងការសម្រេចចិត្តជាប្រវត្តិសាស្ត្របានទេ។

រង្វិលជុំខាងក្រៅបន្ទាប់មកបំប្លែងបទពិសោធន៍រួមរបស់ក្រុមទៅជាទិន្នន័យបណ្តុះបណ្តាល។ ប្រព័ន្ធនេះដំណើរការលំហូរការងារជើងឯក 18 ដង ចាត់ចំណាត់ថ្នាក់កន្លែងធ្វើការលទ្ធផលដោយខ្លួនឯង រក្សាការប្រតិបត្តិ 16 ល្អបំផុត និងកែសម្រួលគំរូដែលបានចែករំលែកនៅលើពួកវា — ជាមួយនឹងលំហូរការងារភ្លាមៗត្រូវបានដកចេញបន្ទាប់ពីនោះ ដូច្នេះជំនាញសម្របសម្រួលត្រូវបានអនុវត្តជាទម្ងន់ជាជាងការណែនាំ។ គំរូដែលបានធ្វើបច្ចុប្បន្នភាពបន្ទាប់មកបន្តតួនាទីទាំងបី ហើយដំណើរការនេះកើតឡើងម្តងទៀត។

ប្រាក់ចំណេញដែលអាចវាស់វែងបានលើកិច្ចការដែលមិនអាចផ្ទៀងផ្ទាត់បាន។

ក្រុមនេះបានដំណើរការជុំពេញលេញនៃ MASS ពីរជុំដោយចាប់ផ្តើមពី Qwen3.6-27B នៅក្នុងបរិយាកាស qwen-code coding-agent។ កន្លែងបណ្តុះបណ្តាលគឺជាសំណុំនៃកិច្ចការស្រាវជ្រាវសំយោគចំនួន 12 ដែលរួមមានផ្នែកហិរញ្ញវត្ថុ មនុស្សយន្ត និងឱសថស្ថាន ដែលនីមួយៗទាមទារលេខកូដ លទ្ធផលបរិមាណ និងរបាយការណ៍ជាលាយលក្ខណ៍អក្សរ។ កិច្ចការចំនួនប្រាំបួនត្រូវបានកំណត់សម្រាប់ការបណ្តុះបណ្តាល និងបីត្រូវបានដកចេញពីក្រោយការបណ្តុះបណ្តាល។ ការពិពណ៌នាការងារត្រូវបានបង្កើតឡើងដោយ GPT-5.5 មុនពេលពិសោធន៍។

នៅលើកិច្ចការសាកល្បងចំនួនបី អត្រាឈ្នះដែលបានវិនិច្ឆ័យខាងក្រៅរបស់ម៉ូដែលប្រឆាំងនឹងកំណែមូលដ្ឋានរបស់វាបានកើនឡើងពី 53.9% បន្ទាប់ពីជុំមួយទៅ 69.9% បន្ទាប់ពីពីរ។ ម៉ូដែលជុំទី 2 ក៏យកឈ្នះម៉ូដែលជុំទី 1 ក្នុង 60.8% នៃការប្រៀបធៀប។ ដើម្បីជៀសវាងការចាត់ថ្នាក់ដោយប្រើ yardstick ដូចគ្នាដែលបានប្រើក្នុងអំឡុងពេលបណ្តុះបណ្តាល អ្នកស្រាវជ្រាវបាន GPT-5.5 និង Claude Opus 4.8 វាយតម្លៃការងារដែលបានបញ្ចប់ ដោយកាត់សេចក្តីទាំងនោះពី MASS ខ្លួនឯង។

ប្រសិទ្ធភាពត្រូវបានកែលម្អ ទន្ទឹមនឹងគុណភាព។ បន្ទាប់ពីពីរជុំ ពិន្ទុក្នុងមួយនិមិត្តសញ្ញាលទ្ធផលបានឈានដល់ 1.2 ទៅ 1.6 ដងនៃកម្រិតគំរូមូលដ្ឋាននៅទូទាំងបួនចំណុចស្តង់ដារសាធារណៈ៖ MLR-Bench, DSBench, ScienceAgentBench និង AstaBench ។

សំណួរសុវត្ថិភាព មិនមែនគ្រាន់តែជាការបង្ហាញសមត្ថភាពប៉ុណ្ណោះទេ

អ្នក​និពន្ធ​ច្បាស់​ណាស់​ថា​ការ​ដំឡើង​នេះ​កើន​ឡើង​ជា​ការ​ស៊ើបអង្កេត​សុវត្ថិភាព។ ប្រសិនបើប្រព័ន្ធស្រាវជ្រាវស្វ័យប្រវត្តិអាចផ្សំសមត្ថភាពរបស់ពួកគេ លក្ខខណ្ឌដែលផលិតភាពប្រសើរឡើងដែលរត់គេចខ្លួនចាំបាច់ត្រូវយល់ឱ្យបានឆាប់ - ក្រដាសកត់សម្គាល់ថាការរំពឹងទុកនៃការផ្ទុះស៊ើបការណ៍ "ផ្តល់ហេតុផលបន្ថែមទៀតដើម្បីសិក្សាលក្ខខណ្ឌទាំងនេះឱ្យបានឆាប់" ដោយដាក់បញ្ចូលសំណួរកណ្តាលរបស់វាថាជារបៀបរក្សាការត្រួតពិនិត្យប្រកបដោយអត្ថន័យ នៅពេលដែលមិនមានអ្នកគ្រប់គ្រងខ្លាំងជាង។

ការបោះពុម្ភផ្សាយនេះកើតឡើងចំពេលមានការជជែកវែកញែកកាន់តែខ្លាំងលើហានិភ័យពិតប្រាកដនោះ។ នៅចុងខែកញ្ញា Geoffrey Hinton, Yoshua Bengio និងអ្នកវិទ្យាសាស្ត្រឈានមុខគេផ្សេងទៀតបានចេញការព្រមានជាសាធារណៈអំពីលទ្ធភាពនៃការផ្ទុះស៊ើបការណ៍ដែលរត់គេចខ្លួន ហើយការស្រាវជ្រាវលើប្រព័ន្ធភ្នាក់ងារដែលដំណើរការការងារវិទ្យាសាស្ត្របានពន្លឿនពេញវិស័យ។

ដែនកំណត់ដែលត្រូវចងចាំ

លទ្ធផលចេញមកជាមួយនឹងការព្រមានដែលអ្នកនិពន្ធទទួលស្គាល់។ ឈុតសំយោគមានទំហំតូច ហើយសញ្ញាហ្វឹកហាត់ទាំងអស់ត្រូវបានបង្កើតដោយខ្លួនឯង មានន័យថាភាពត្រឹមត្រូវនៃការវិនិច្ឆ័យផ្ទាល់ខ្លួនរបស់ម៉ូដែលគឺមិនស្គាល់ដោយការរចនា — ចៅក្រមខាងក្រៅត្រូវបានប្រើសម្រាប់តែការវាស់វែងប៉ុណ្ណោះ មិនមែនការបណ្តុះបណ្តាលទេ។ កិច្ចការបណ្ដុះបណ្ដាលមួយត្រូវបានដកចេញបន្ទាប់ពីការស្វែងរកលំហូរការងារបរាជ័យក្នុងការស្វែងរកលំហូរការងារណាមួយដែលយកឈ្នះសេចក្តីយោងរបស់វា ដែលជាការរំលឹកថារង្វិលជុំមិនតែងតែទទួលបានផលចំណេញនោះទេ។ ហើយការវាយតម្លៃខាងក្រៅខ្លួនឯងពឹងផ្អែកលើគំរូព្រំដែន ដែលជាប្រូកស៊ីមិនល្អឥតខ្ចោះសម្រាប់ការពិត។

តើមានអ្វីកើតឡើងបន្ទាប់

សម្រាប់ Sakana AI, MASS ពង្រីករបៀបវារៈស្រាវជ្រាវដែលផ្តោតលើការធ្វើស្វ័យប្រវត្តិកម្មដំណើរការវិទ្យាសាស្ត្រដោយខ្លួនឯង បន្ទាប់ពីការងារមុនរបស់មន្ទីរពិសោធន៍លើការបង្កើតពិសោធន៍ដែលជំរុញដោយ AI និងប្រព័ន្ធពិនិត្យភ្នាក់ងារសម្រាប់ពិនិត្យមើលការទាមទារស្រាវជ្រាវ។ ប្រសិនបើរូបមន្តត្រួតពិនិត្យខ្លួនឯងរួមគ្នាផ្ទេរលើសពីកិច្ចការសំយោគ ឧបសគ្គដែលវាកំណត់គោលដៅ - ការត្រួតពិនិត្យទិន្នផល AI នៅព្រំដែន - នឹងកាន់តែមានសម្ពាធកាន់តែខ្លាំង នៅពេលដែលប្រព័ន្ធស្រាវជ្រាវស្វ័យប្រវត្តិកើនឡើង។

---

Stay Ahead of AI

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

Read more AI news →