Исследователи из Sakana AI и Калифорнийского университета в Беркли опубликовали метод, который, по их словам, позволяет языковой модели самосовершенствоваться путем организации, оценки и обучения у собственных мультиагентных команд — подход, который расширяет рекурсивное самосовершенствование на исследовательские задачи, где не существует автоматического ключа ответа.
Статья «MASS: рекурсивное самосовершенствование посредством многоагентного самоконтроля» появилась в октябре 2026 года на arXiv (2610.12176) вместе с интерактивной страницей проекта токийской лаборатории. Список авторов охватывает оба учреждения: Хьюнин Ли из Калифорнийского университета в Беркли, который завершил работу во время стажировки в Sakana AI; Исследователи Саканы Джинглу Сюй, Джеффри Сили и Юджин Тан; и Донхён Ли из Калифорнийского университета в Беркли, Сомайе Соджуди и Матей Захария. Подробнее об этой истории — в нашем новости об ИИ.
Работа сразу привлекла внимание сообщества разработчиков в минувшие выходные, когда обсуждение проекта в Hacker News за несколько часов набрало 100 баллов.
Когда модель — единственный доступный супервизор
Последний прогресс в самосовершенствовании ИИ опирался на поддающиеся проверке вознаграждения: математические ответы, которые можно проверить, код, который либо проходит тесты, либо нет. Команда Беркли-Сакана исходит из другой предпосылки. Они утверждают, что на переднем крае исследований часто нет под рукой основополагающей истины. Оценка предлагаемого открытия может потребовать ограниченных знаний, дорогостоящего оборудования или экспериментов, которые занимают гораздо больше времени, чем создание самого предложения.
В результате разрыв увеличивается: способность производить новую работу развивается быстрее, чем способность ее контролировать. Авторы пишут, что когда нет более сильного учителя, улучшаемая модель — то, что они называют «оптимизируемым», — может оказаться самым способным руководителем из оставшихся. Это мотивирует то, что они называют гомогенным рекурсивным самосовершенствованием, при котором одна и та же модель служит собственным оптимизатором и оценщиком.
Открытым остается вопрос, как система может генерировать для себя полезный обучающий сигнал в этом цикле. Их ответ заимствован из истории человечества.
Как работает МАССА
MASS, сокращение от Multi-Agent Self-Supervision, превращает одну общую модель в трехролевую систему. Те же веса действуют как агент решения задач, который создает рабочую область кода, результатов и отчета об исследовании; оптимизатор рабочего процесса, который меняет порядок разделения работы командой субагентов; и оценщик, который сравнивает два рабочих пространства и определяет, какое из них лучше соответствует задаче.
Внутренний цикл просматривает рабочие процессы команды — письменные планы, охватывающие роль каждого субагента, его инструкции, «контракты», определяющие, какие доказательства агенты должны передавать друг другу, а также последовательность вызовов или переходов между ними. Рабочий процесс чемпиона сохраняется на всех итерациях, и его необходимо превзойти, чтобы заменить. Один развитый финансовый рабочий процесс, кратко изложенный в статье, включает подготовку данных последовательностей, построение признаков, моделирование и бэктестирование перед аудитом, а его контракт на данные заставляет специалиста по данным проверять, что бэктест не мог привести к утечке будущей информации в исторические решения.
Затем внешний цикл преобразует коллективный опыт команды в тренировочные данные. Система запускает рабочий процесс чемпиона 18 раз, самостоятельно ранжирует полученные рабочие области, сохраняет 16 лучших выполнений и настраивает общую модель на них — при этом само приглашение рабочего процесса впоследствии удаляется, поэтому навыки координации переносятся в веса, а не в инструкции. Затем обновленная модель возобновляет выполнение всех трех ролей, и процесс повторяется.
Измеримая выгода от непроверяемых задач
Команда провела два полных раунда MASS, начиная с Qwen3.6-27B, в среде агента кодирования qwen-code. Учебная площадка представляла собой набор из 12 синтетических исследовательских задач, охватывающих финансы, робототехнику и фармацевтику, каждая из которых требовала кода, количественных результатов и письменного отчета. Девять задач были определены для обучения и три остались после обучения; описания задач были созданы GPT-5.5 перед экспериментом.
В трех тестовых заданиях, оцененный внешними экспертами, процент побед модели над ее базовой версией вырос с 53,9% после одного раунда до 69,9% после двух. Модель второго раунда также превзошла модель первого раунда в 60,8% сравнений. Чтобы избежать выставления оценок по тем же критериям, которые использовались во время обучения, исследователи попросили GPT-5.5 и Claude Opus 4.8 оценить выполненную работу, при этом эти суждения были скрыты от самого MASS.
Эффективность повысилась вместе с качеством. После двух раундов оценка каждого выходного токена превысила уровень базовой модели в 1,2–1,6 раза в четырех общедоступных тестах: MLR-Bench, DSBench, ScienceAgentBench и AstaBench.
Вопрос безопасности, а не просто демонстрация возможностей
Авторы прямо заявляют, что эта установка выполняет функцию датчика безопасности. Если автоматизированные исследовательские системы могут усиливать свои собственные возможности, то условия, которые приводят к безудержному улучшению, должны быть поняты как можно раньше — в документе отмечается, что перспектива интеллектуального взрыва «дает дополнительные основания для раннего изучения этих условий», формулируя центральный вопрос: как сохранить значимый надзор, когда нет более сильного руководителя.
Публикация появилась на фоне усиливающихся дебатов по поводу именно этого риска. В конце сентября Джеффри Хинтон, Йошуа Бенджио и другие ведущие ученые выступили с публичным предупреждением о возможности безудержного взрыва разведки, а исследования агентных систем, которые проводят научную работу, ускорились во всей этой области.
Ограничения, о которых следует помнить
Результаты приходят с оговорками, которые признают авторы. Синтетический набор невелик, и весь обучающий сигнал генерируется самостоятельно, а это означает, что правильность собственных суждений модели неизвестна по своей конструкции — внешние судьи используются только для измерения, а не для обучения. Одна обучающая задача была исключена после того, как поиск рабочих процессов не смог найти ни одного рабочего процесса, превосходящего эталонный, что является напоминанием о том, что цикл не всегда дает результаты. А сами внешние оценки основывались на пограничных моделях, которые являются несовершенными заменителями истины.
Что будет дальше
Для Sakana AI MASS расширяет программу исследований, направленную на автоматизацию самого научного процесса, вслед за более ранней работой лаборатории по созданию экспериментов на основе ИИ и системам агентной проверки для проверки заявлений об исследованиях. Если рецепт коллективного самоконтроля выйдет за рамки синтетических задач, то узкое место, на которое он нацелен, — контроль результатов искусственного интеллекта на передовых рубежах — будет только становиться более актуальным по мере распространения автоматизированных исследовательских систем.
---
Будьте в курсе ИИПоследние новости, аналитика и прорывы в сфере ИИ — всё в одном месте.
Читать больше новостей об ИИ →
