Cercetătorii de la Sakana AI și UC Berkeley au publicat o metodă despre care spun că permite unui model lingvistic să se îmbunătățească prin organizarea, judecarea și învățarea de la propriile echipe multi-agenți - o abordare care extinde auto-îmbunătățirea recursivă în sarcinile de cercetare în care nu există o cheie de răspuns automată.

Lucrarea, „MASS: Recursive Self-Improvement through Multi-Agent Self-Supervision”, a apărut în octombrie 2026 pe arXiv (2610.12176) alături de o pagină interactivă de proiect din laboratorul din Tokyo. Lista de autori cuprinde ambele instituții: Hyunin Lee de la UC Berkeley, care a finalizat munca în timpul unui stagiu la Sakana AI; Cercetătorii Sakana Jinglue Xu, Jeffrey Seely și Yujin Tang; și Donghyun Lee de la UC Berkeley, Somayeh Sojoudi și Matei Zaharia. For more context on this story, see our ongoing breaking AI news.

Lucrarea a atras imediat atenția comunității dezvoltatorilor în weekend, unde o discuție despre proiect de la Hacker News a depășit 100 de puncte în câteva ore.

Când modelul este singurul supraveghetor disponibil

Cele mai recente progrese în IA de auto-îmbunătățire s-au bazat pe recompense verificabile: răspunsuri la matematică care pot fi verificate, cod care fie trece testele, fie nu trece. Echipa Berkeley-Sakana pleacă de la o altă premisă. La frontiera cercetării, susțin ei, adesea nu există un adevăr de bază la îndemână. Evaluarea unei descoperiri propuse poate necesita o expertiză redusă, echipamente costisitoare sau experimente care durează mult mai mult decât generarea propunerii în sine.

Rezultatul este un decalaj din ce în ce mai mare: capacitatea de a produce lucrări noi avansează mai repede decât capacitatea de a o supraveghea. Când nu este disponibil un profesor mai puternic, scriu autorii, modelul fiind îmbunătățit – ceea ce ei numesc „optimizee” – poate fi cel mai capabil supervizor rămas. Acest lucru motivează ceea ce ei numesc auto-îmbunătățire recursivă omogenă, în care același model servește ca propriul optimizator și evaluator.

Întrebarea deschisă este cum poate un sistem să genereze un semnal de antrenament util pentru el însuși în acea buclă. Răspunsul lor împrumută din istoria omenirii.

Cum funcționează MASS

MASS, prescurtare de la Multi-Agent Self-Supervision, transformă un model comun într-un sistem cu trei roluri. Aceleași ponderi acționează ca agent de rezolvare a sarcinilor care produce un spațiu de lucru de cod, rezultate și un raport de cercetare; optimizatorul de flux de lucru care revizuiește modul în care o echipă de subagenți împarte munca; și evaluatorul care compară două spații de lucru și judecă care satisface mai bine sarcina.

Bucla interioară caută fluxurile de lucru ale echipei - planuri scrise care acoperă rolul fiecărui subagent, instrucțiunile acestuia, „contractele” care specifică ce agenți de dovezi trebuie să se înmâneze unul altuia și secvența apelurilor, sau hopurilor, între ei. Un flux de lucru campion este păstrat de-a lungul iterațiilor și trebuie depășit pentru a fi înlocuit. Un flux de lucru financiar evoluat, condensat în lucrare, secvențează pregătirea datelor, construcția caracteristicilor, modelarea și testarea retrospectivă înainte de un audit, iar contractul său de date obligă specialistul în date să verifice dacă un backtest nu ar fi putut scurge informații viitoare în deciziile istorice.

Bucla exterioară transformă apoi experiența colectivă a echipei în date de antrenament. Sistemul rulează fluxul de lucru campion de 18 ori, auto-clasifică spațiile de lucru rezultate, păstrează cele mai bune 16 execuții și ajustează modelul partajat pe ele - cu promptul fluxului de lucru în sine eliminat ulterior, astfel încât abilitățile de coordonare sunt incluse în greutăți mai degrabă decât în ​​instrucțiuni. Modelul actualizat reia apoi toate cele trei roluri, iar procesul se repetă.

Câștiguri măsurabile la sarcini neverificabile

Echipa a rulat două runde complete de MASS începând de la Qwen3.6-27B în mediul qwen-code codificare-agent. Terenul de antrenament a fost o suită de 12 sarcini de cercetare sintetice care acoperă finanțe, robotică și farmacie, fiecare necesitând cod, rezultate cantitative și un raport scris. Nouă sarcini au fost desemnate pentru formare și trei au fost efectuate după instruire; descrierile sarcinilor au fost generate de GPT-5.5 înainte de experiment.

Pe cele trei sarcini de testare care nu au loc, rata de câștig evaluată extern a modelului față de versiunea de bază a crescut de la 53,9% după o rundă la 69,9% după două. Modelul din runda a doua a depășit și modelul din prima rundă în 60,8% din comparații. Pentru a evita notarea cu același criteriu folosit în timpul antrenamentului, cercetătorii au avut GPT-5.5 și Claude Opus 4.8 să evalueze munca finalizată, acele judecăți fiind reținute de la MASS în sine.

Eficiența îmbunătățită alături de calitate. După două runde, scorul per jeton de ieșire a atins de 1,2 până la 1,6 ori nivelul modelului de bază în patru benchmark-uri publice: MLR-Bench, DSBench, ScienceAgentBench și AstaBench.

O întrebare de siguranță, nu doar o demonstrație de capacitate

Autorii sunt explicit că configurarea funcționează ca o sondă de siguranță. Dacă sistemele de cercetare automatizate își pot amplifica propriile capacități, condițiile care produc o îmbunătățire fulgerătoare trebuie înțelese din timp - lucrarea notează că perspectiva unei explozii de informații „oferă motive suplimentare pentru a studia aceste condiții din timp”, încadrându-și întrebarea centrală cum să păstreze o supraveghere semnificativă atunci când nu este disponibil un supraveghetor mai puternic.

Publicația aterizează pe fondul intensificării dezbaterilor cu privire la acest risc exact. La sfârșitul lunii septembrie, Geoffrey Hinton, Yoshua Bengio și alți oameni de știință de frunte au emis un avertisment public cu privire la posibilitatea unei explozii de informații secrete, iar cercetarea sistemelor agentice care desfășoară activități științifice s-a accelerat în domeniu.

Limitări de reținut

Rezultatele vin cu avertismente pe care le recunosc autorii. Suita sintetică este mică și tot semnalul de antrenament este autogenerat, ceea ce înseamnă că corectitudinea propriilor judecăți ale modelului este necunoscută prin proiectare - judecătorii externi sunt utilizați numai pentru măsurare, nu pentru antrenament. O sarcină de antrenament a fost exclusă după ce căutarea fluxului de lucru nu a reușit să găsească niciun flux de lucru care să depășească referința sa, un memento că bucla nu produce întotdeauna câștiguri. Iar evaluările externe în sine s-au bazat pe modele de frontieră, care sunt proxy imperfecți pentru adevărul de bază.

Ce urmează

Pentru Sakana AI, MASS extinde o agendă de cercetare axată pe automatizarea procesului științific în sine, în urma lucrărilor anterioare ale laboratorului privind generarea de experimente bazate pe inteligență artificială și sistemele de revizuire agentică pentru verificarea afirmațiilor de cercetare. Dacă rețeta de auto-supraveghere colectivă se transferă dincolo de sarcinile sintetice, blocajul pe care îl țintește - supravegherea producției AI la frontieră - va deveni mai presant pe măsură ce sistemele de cercetare automatizate se vor multiplica.

---

Stay Ahead of AI

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

Read more AI news →