Sakana AI आणि UC Berkeley मधील संशोधकांनी एक पद्धत प्रकाशित केली आहे ज्याने ते म्हणतात की भाषा मॉडेल स्वतःच्या मल्टी-एजंट टीम्सना संघटित करून, न्याय देऊन आणि शिकून स्वतःला सुधारू देते - एक दृष्टीकोन जी संशोधन कार्यांमध्ये पुनरावृत्ती होणारी स्वयं-सुधारणा वाढवते जिथे कोणतीही स्वयंचलित उत्तर की अस्तित्वात नाही.

"MASS: मल्टी-एजंट सेल्फ-पर्यवेक्षणाद्वारे रिकर्सिव्ह सेल्फ-इम्प्रूव्हमेंट" हा पेपर ऑक्टोबर 2026 मध्ये टोकियो-आधारित लॅबमधील परस्परसंवादी प्रकल्प पृष्ठासोबत arXiv (2610.12176) वर प्रकाशित झाला. तिची लेखक यादी दोन्ही संस्थांचा विस्तार करते: UC बर्कलेचे ह्युनिन ली, ज्यांनी सकाना AI येथे इंटर्नशिप दरम्यान काम पूर्ण केले; सकाना संशोधक जिंगलु जू, जेफ्री सीली आणि युजिन तांग; आणि UC बर्कलेचे डोंगह्यून ली, सोमायेह सोजुदी आणि मातेई झहरिया. For more context on this story, see our ongoing AI news.

आठवड्याच्या शेवटी या कामाने विकसक समुदायाचे तात्काळ लक्ष वेधले, जेथे प्रकल्पाच्या हॅकर न्यूज चर्चेने काही तासांत 100 गुण पार केले.

जेव्हा मॉडेल हा एकमेव पर्यवेक्षक उपलब्ध असतो

स्वयं-सुधारणा AI मधील सर्वात अलीकडील प्रगती सत्यापित करण्यायोग्य पुरस्कारांवर अवलंबून आहे: तपासली जाऊ शकणारी गणिताची उत्तरे, कोड जो एकतर चाचण्या उत्तीर्ण करतो किंवा नाही. बर्कले-सकाना संघ एका वेगळ्या आवारातून सुरू होतो. संशोधनाच्या सीमारेषेवर, ते तर्क करतात की, अनेकदा कोणतेही ग्राउंड सत्य हाती नसते. प्रस्तावित शोधाचे मूल्यांकन करण्यासाठी दुर्मिळ कौशल्य, महाग उपकरणे किंवा प्रयोगांची आवश्यकता असू शकते जे प्रस्ताव तयार करण्यापेक्षा खूप जास्त वेळ घेतात.

याचा परिणाम म्हणजे अंतर वाढत आहे: नवीन काम तयार करण्याची क्षमता त्याच्या पर्यवेक्षण करण्याच्या क्षमतेपेक्षा वेगाने प्रगती करत आहे. जेव्हा कोणताही मजबूत शिक्षक उपलब्ध नसतो, तेव्हा लेखक लिहितात, मॉडेल सुधारले जात आहे - ज्याला ते "ऑप्टिमाइझ" म्हणतात - कदाचित सर्वात सक्षम पर्यवेक्षक बाकी असतील. ते एकसंध पुनरावर्ती स्व-सुधारणा म्हणून ज्याला ते म्हणतात, त्यामध्ये तेच मॉडेल स्वतःचे अनुकूलक आणि मूल्यांकनकर्ता म्हणून काम करते.

त्या लूपमध्ये प्रणाली स्वतःसाठी उपयुक्त प्रशिक्षण सिग्नल कशी निर्माण करू शकते हा खुला प्रश्न आहे. त्यांचे उत्तर मानवी इतिहासातून घेतलेले आहे.

MASS कसे कार्य करते

MASS, मल्टी-एजंट सेल्फ-पर्यवेक्षणासाठी लहान, एका सामायिक मॉडेलला तीन-भूमिका प्रणालीमध्ये बदलते. समान वजन कार्य-निराकरण एजंट म्हणून कार्य करतात जे कोड, परिणाम आणि संशोधन अहवालाचे कार्यक्षेत्र तयार करतात; वर्कफ्लो ऑप्टिमायझर जे उपजगटांची टीम कामाची विभागणी कशी करते ते सुधारते; आणि मूल्यांकनकर्ता जो दोन कार्यक्षेत्र आणि न्यायाधीशांची तुलना करतो जे कार्य अधिक चांगल्या प्रकारे समाधानी करतात.

आतील लूप टीम वर्कफ्लोवर शोध घेते — प्रत्येक सबएजंटची भूमिका, त्याच्या सूचना, एजंट्सने एकमेकांना कोणते पुरावे दिले पाहिजेत हे निर्दिष्ट करणारे "करार" आणि त्यांच्या दरम्यान कॉल्स किंवा हॉप्सचा क्रम समाविष्ट असलेल्या लेखी योजना. एक चॅम्पियन वर्कफ्लो पुनरावृत्तीमध्ये कायम ठेवला जातो आणि बदलण्यासाठी तो मारला जाणे आवश्यक आहे. एक विकसित वित्त कार्यप्रवाह, पेपरमध्ये संक्षेपित, अनुक्रम डेटा तयार करणे, वैशिष्ट्यांचे बांधकाम, मॉडेलिंग आणि ऑडिटपूर्वी बॅकटेस्टिंग आणि त्याचा डेटा कॉन्ट्रॅक्ट डेटा तज्ञांना हे तपासण्यास भाग पाडतो की बॅकटेस्टने ऐतिहासिक निर्णयांमध्ये भविष्यातील माहिती लीक केली नसावी.

बाह्य लूप नंतर संघाच्या सामूहिक अनुभवाचे प्रशिक्षण डेटामध्ये रूपांतरित करते. सिस्टम चॅम्पियन वर्कफ्लो 18 वेळा चालवते, परिणामी वर्कस्पेसेस स्व-रँक करते, सर्वोत्कृष्ट 16 अंमलबजावणी ठेवते आणि सामायिक केलेल्या मॉडेलला छान-ट्यून करते — नंतर वर्कफ्लो प्रॉम्प्ट स्वतःच काढून टाकले जाते, त्यामुळे समन्वय कौशल्ये सूचनांऐवजी वजनांमध्ये ठेवली जातात. अद्ययावत मॉडेल नंतर सर्व तीन भूमिका पुन्हा सुरू करते आणि प्रक्रिया पुनरावृत्ती होते.

पडताळणी न करता येणाऱ्या कार्यांवर मोजता येण्याजोगा नफा

संघाने क्वेन-कोड कोडिंग-एजंट वातावरणात Qwen3.6-27B पासून MASS च्या दोन पूर्ण फेऱ्या चालवल्या. प्रशिक्षण ग्राउंड फायनान्स, रोबोटिक्स आणि फार्मसीमध्ये पसरलेल्या 12 सिंथेटिक संशोधन कार्यांचा एक संच होता, प्रत्येकासाठी कोड, परिमाणात्मक परिणाम आणि लेखी अहवाल आवश्यक होता. प्रशिक्षणासाठी नऊ कार्ये नियुक्त करण्यात आली होती आणि तीन कार्ये प्रशिक्षणोत्तर बाहेर ठेवण्यात आली होती; प्रयोगापूर्वी कार्य वर्णन GPT-5.5 द्वारे व्युत्पन्न केले गेले.

होल्ड-आउट केलेल्या तीन टेस्ट टास्कवर, मॉडेलचा त्याच्या बेस व्हर्जनच्या विरूद्ध बाह्यरित्या न्यायचा विजय दर एका फेरीनंतर 53.9% वरून दोन नंतर 69.9% वर गेला. दुसऱ्या फेरीच्या मॉडेलने पहिल्या फेरीतील मॉडेलला ६०.८% तुलनेत मागे टाकले. प्रशिक्षणादरम्यान वापरल्या जाणाऱ्या समान मापदंडासह प्रतवारी टाळण्यासाठी, संशोधकांनी GPT-5.5 आणि क्लॉड ओपस 4.8 ने पूर्ण केलेल्या कामाचे मूल्यांकन केले होते, ते निर्णय MASS कडूनच रोखले गेले होते.

गुणवत्तेबरोबरच कार्यक्षमता सुधारली. दोन फेऱ्यांनंतर, प्रति आउटपुट टोकन स्कोअर चार सार्वजनिक बेंचमार्कमध्ये बेस मॉडेलच्या पातळीच्या 1.2 ते 1.6 पट पोहोचला: MLR-Bench, DSBench, ScienceAgentBench आणि AstaBench.

एक सुरक्षा प्रश्न, फक्त क्षमता डेमो नाही

लेखक स्पष्टपणे सांगतात की सुरक्षा तपासणी म्हणून सेटअप दुप्पट होतो. जर ऑटोमेटेड रिसर्च सिस्टीम त्यांच्या स्वतःच्या क्षमतांना कंपाऊंड करू शकत असेल, तर पळून जाणाऱ्या सुधारणा घडवणाऱ्या परिस्थिती लवकर समजून घेणे आवश्यक आहे — पेपरमध्ये असे नमूद केले आहे की गुप्तचर स्फोटाची शक्यता "या परिस्थितींचा लवकर अभ्यास करण्याचे आणखी कारण देते," असा मुख्य प्रश्न तयार केला आहे की कोणताही मजबूत पर्यवेक्षक उपलब्ध नसताना अर्थपूर्ण पर्यवेक्षण कसे जतन करावे.

त्या अचूक जोखमीवर तीव्र वादविवाद दरम्यान प्रकाशन उतरले. सप्टेंबरच्या उत्तरार्धात, जेफ्री हिंटन, योशुआ बेंजिओ आणि इतर प्रमुख शास्त्रज्ञांनी पळून गेलेल्या बुद्धिमत्तेच्या स्फोटाच्या शक्यतेबद्दल सार्वजनिक चेतावणी जारी केली आणि वैज्ञानिक कार्य करणाऱ्या एजंटिक सिस्टम्समधील संशोधनाला संपूर्ण क्षेत्रात वेग आला आहे.

लक्षात ठेवण्यासाठी मर्यादा

परिणाम लेखकांनी कबूल केलेल्या सावधगिरीसह येतात. सिंथेटिक संच लहान आहे, आणि सर्व प्रशिक्षण सिग्नल स्वयं-उत्पन्न केलेले आहेत, म्हणजे मॉडेलच्या स्वतःच्या निर्णयांची शुद्धता डिझाइनद्वारे अज्ञात आहे — बाह्य न्यायाधीशांचा वापर केवळ मोजमापासाठी केला जातो, प्रशिक्षणासाठी नाही. वर्कफ्लो शोध त्याच्या संदर्भाला मागे टाकणारा कोणताही वर्कफ्लो शोधण्यात अयशस्वी झाल्यानंतर एक प्रशिक्षण कार्य वगळण्यात आले, हे स्मरणपत्र आहे की लूप नेहमीच नफा देत नाही. आणि बाह्य मूल्यमापन स्वतःच सीमावर्ती मॉडेल्सवर अवलंबून होते, जे ग्राउंड सत्यासाठी अपूर्ण प्रॉक्सी आहेत.

पुढे काय येईल

Sakana AI साठी, MASS संशोधन दावे तपासण्यासाठी AI-चालित प्रयोग निर्मिती आणि एजंटिक पुनरावलोकन प्रणालींवर प्रयोगशाळेच्या पूर्वीच्या कामानंतर, वैज्ञानिक प्रक्रिया स्वयंचलित करण्यावर केंद्रित संशोधन अजेंडा विस्तारित करते. जर सामूहिक स्व-पर्यवेक्षण रेसिपी सिंथेटिक कामांच्या पलीकडे हस्तांतरित केली गेली, तर ते लक्ष्यित अडथळे — सीमेवर AI आउटपुटचे पर्यवेक्षण — केवळ स्वयंचलित संशोधन प्रणालीच्या गुणाकारामुळे अधिक दबाव वाढेल.

---

Stay Ahead of AI

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

Read more AI news →