Naukowcy z Sakana AI i UC Berkeley opublikowali metodę, która ich zdaniem pozwala na samodoskonalenie modelu językowego poprzez organizowanie, ocenianie i uczenie się od własnych wieloagentowych zespołów — podejście, które rozszerza rekurencyjne samodoskonalenie na zadania badawcze, w których nie istnieje automatyczny klucz odpowiedzi.
Artykuł „MASS: Recursive Self-Improvement through Multi-Agent Self-Supervision” ukazał się w październiku 2026 r. w serwisie arXiv (2610.12176) obok interaktywnej strony projektu z laboratorium w Tokio. Lista autorów obejmuje obie instytucje: Hyunina Lee z UC Berkeley, który ukończył pracę podczas stażu w Sakana AI; Badacze Sakany, Jinglue Xu, Jeffrey Seely i Yujin Tang; oraz Donghyun Lee, Somayeh Sojoudi i Matei Zaharia z UC Berkeley. Więcej kontekstu na ten temat znajdziesz w naszych najnowsze osiągnięcia AI.
Praca przyciągnęła natychmiastową uwagę społeczności programistów w weekend, gdzie dyskusja na temat projektu w serwisie Hacker News przekroczyła 100 punktów w ciągu kilku godzin.
Gdy modelka jest jedynym dostępnym opiekunem
Najnowsze postępy w samodoskonaleniu sztucznej inteligencji opierają się na weryfikowalnych nagrodach: odpowiedziach matematycznych, które można sprawdzić, kodzie, który albo przechodzi testy, albo nie. Zespół Berkeley-Sakana wychodzi z innego założenia. Twierdzą, że na granicy badań często nie ma pod ręką żadnej podstawowej prawdy. Ocena proponowanego odkrycia może wymagać niewielkiej wiedzy specjalistycznej, kosztownego sprzętu lub eksperymentów, które trwają znacznie dłużej niż samo wygenerowanie propozycji.
Rezultatem jest pogłębiająca się przepaść: zdolność do tworzenia nowej pracy postępuje szybciej niż zdolność do jej nadzorowania. Autorzy piszą, że gdy nie ma silniejszego nauczyciela, udoskonalany model – tak zwany „optymalizator” – może być najzdolniejszym z pozostałych superwizorów. To motywuje to, co nazywają homogenicznym, rekurencyjnym samodoskonaleniem, w którym ten sam model służy jako własny optymalizator i oceniający.
Otwartym pytaniem jest, w jaki sposób system może wygenerować dla siebie użyteczny sygnał szkoleniowy w tej pętli. Ich odpowiedź zapożycza się z historii ludzkości.
Jak działa MASA
MASS, skrót od Multi-Agent Self-Supervision, zamienia jeden wspólny model w system składający się z trzech ról. Te same wagi pełnią rolę czynnika rozwiązującego zadania, który tworzy obszar roboczy zawierający kod, wyniki i raport z badań; optymalizator przepływu pracy, który weryfikuje sposób, w jaki zespół subagentów dzieli pracę; oraz oceniający, który porównuje dwa obszary pracy i ocenia, który lepiej spełnia zadanie.
Wewnętrzna pętla przeszukuje przepływy pracy zespołu — pisemne plany obejmujące rolę każdego podagenta, jego instrukcje, „umowy” określające, jakie agenci dowodowi muszą sobie nawzajem przekazywać oraz sekwencję połączeń, czyli przeskoków między nimi. Mistrzowski przepływ pracy jest zachowywany w kolejnych iteracjach i musi zostać udoskonalony, aby zostać zastąpiony. Jeden z rozwiniętych procesów finansowych, skondensowany w artykule, sekwencjonuje przygotowanie danych, konstruowanie funkcji, modelowanie i weryfikację historyczną przed audytem, a zawarta w nim umowa dotycząca danych zmusza specjalistę ds. danych do sprawdzenia, czy test historyczny nie mógł spowodować wycieku przyszłych informacji do decyzji historycznych.
Zewnętrzna pętla przekształca następnie zbiorowe doświadczenie zespołu w dane szkoleniowe. System uruchamia mistrzowski przepływ pracy 18 razy, samodzielnie ocenia powstałe obszary robocze, zachowuje 16 najlepszych wykonań i dostraja na nich udostępniony model — po usunięciu samego monitu o przepływ pracy, dzięki czemu umiejętności koordynacji są przenoszone na wagi, a nie na instrukcje. Zaktualizowany model następnie wznawia wszystkie trzy role i proces się powtarza.
Wymierne korzyści z zadań nieweryfikowalnych
Zespół przeprowadził dwie pełne rundy MASS, zaczynając od Qwen3.6-27B w środowisku agenta kodującego qwen. Poligon stanowił zestaw 12 syntetycznych zadań badawczych z zakresu finansów, robotyki i farmacji, z których każde wymagało kodu, wyników ilościowych i pisemnego raportu. Dziewięć zadań przeznaczono do szkolenia, trzy odłożono ze szkolenia poszkoleniowego; opisy zadań zostały wygenerowane przez GPT-5.5 przed eksperymentem.
W przypadku trzech zadań testowych, oceniony zewnętrznie współczynnik zwycięstw modelu w porównaniu z wersją podstawową wzrósł z 53,9% po jednej rundzie do 69,9% po dwóch. Model drugiej rundy pokonał także model pierwszej rundy w 60,8% porównań. Aby uniknąć oceniania tą samą miarą stosowaną podczas szkolenia, badacze poprosili GPT-5.5 i Claude Opus 4.8 o ocenę ukończonej pracy, pozostawiając tę ocenę przed samym MASS.
Wydajność wzrosła wraz z jakością. Po dwóch rundach wynik na token wyjściowy osiągnął od 1,2 do 1,6 raza poziom modelu podstawowego w czterech publicznych testach porównawczych: MLR-Bench, DSBench, ScienceAgentBench i AstaBench.
Pytanie dotyczące bezpieczeństwa, a nie tylko demonstracja możliwości
Autorzy wyraźnie stwierdzają, że konfiguracja ta pełni także funkcję sondy bezpieczeństwa. Jeśli zautomatyzowane systemy badawcze mogą zwiększyć swoje własne możliwości, należy wcześnie zrozumieć warunki powodujące niekontrolowaną poprawę — w artykule zauważono, że perspektywa eksplozji inteligencji „daje kolejny powód do wczesnego zbadania tych warunków”, formułując główne pytanie w następujący sposób: jak zachować znaczący nadzór, gdy nie jest dostępny silniejszy przełożony.
Publikacja wpisuje się w nasiloną debatę na temat tego właśnie ryzyka. Pod koniec września Geoffrey Hinton, Yoshua Bengio i inni czołowi naukowcy wydali publiczne ostrzeżenie dotyczące możliwości niekontrolowanej eksplozji inteligencji, a badania nad systemami agentowymi prowadzącymi prace naukowe nabrały tempa w całej dziedzinie.
Ograniczenia, o których należy pamiętać
Wyniki zawierają zastrzeżenia, które autorzy potwierdzają. Zestaw syntetyczny jest niewielki, a cały sygnał treningowy jest generowany samodzielnie, co oznacza, że poprawność własnych ocen modelu jest z założenia nieznana — sędziowie zewnętrzni są wykorzystywani wyłącznie do pomiarów, a nie do treningu. Jedno zadanie szkoleniowe zostało wykluczone, ponieważ wyszukiwanie przepływu pracy nie znalazło żadnego przepływu pracy przewyższającego jego odniesienie, co przypomina, że pętla nie zawsze przynosi korzyści. Same oceny zewnętrzne opierały się na modelach granicznych, które są niedoskonałym wyznacznikiem podstawowej prawdy.
Co będzie dalej
W przypadku Sakana AI projekt MASS rozszerza program badawczy skupiający się na automatyzacji samego procesu naukowego, w następstwie wcześniejszych prac laboratorium nad generowaniem eksperymentów opartych na sztucznej inteligencji i systemami przeglądu agentów w celu sprawdzania oświadczeń badawczych. Jeśli przepis na zbiorowy samokontrolę wykracza poza zadania syntetyczne, wąskie gardło, na które jest ukierunkowany – czyli nadzorowanie wyników sztucznej inteligencji na granicy – stanie się jeszcze bardziej naglące w miarę mnożenia się zautomatyzowanych systemów badawczych.
---
Bądź na Bieżąco z AINajnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.
Czytaj więcej wiadomości AI →
