Watafiti katika Sakana AI na UC Berkeley wamechapisha mbinu wanayosema huruhusu mtindo wa lugha kujiboresha kwa kupanga, kuhukumu na kujifunza kutoka kwa timu zake zenye mawakala wengi - mbinu inayopanua uboreshaji wa kujirudia katika kazi za utafiti ambapo hakuna ufunguo wa kujibu kiotomatiki.
Karatasi, "MASS: Uboreshaji wa Kujirudia Kupitia Kujisimamia kwa Wakala Wengi," ilionekana mnamo Oktoba 2026 kwenye arXiv (2610.12176) pamoja na ukurasa wa mradi wa mwingiliano kutoka kwa maabara ya Tokyo. Orodha ya waandishi wake inahusu taasisi zote mbili: Hyunin Lee wa UC Berkeley, ambaye alikamilisha kazi wakati wa mafunzo ya kazi huko Sakana AI; Watafiti wa Sakana Jinglue Xu, Jeffrey Seely na Yujin Tang; na Donghyun Lee wa UC Berkeley, Somayeh Sojoudi na Matei Zaharia. For more context on this story, see our ongoing AI trends.
Kazi hii ilivuta hisia za haraka katika jumuiya ya wasanidi programu mwishoni mwa wiki, ambapo mjadala wa Hacker News wa mradi ulipitisha pointi 100 ndani ya saa.
Wakati Mfano Ndio Msimamizi Pekee Anayepatikana
Maendeleo ya hivi majuzi zaidi katika AI ya kujiboresha yameegemea kwenye zawadi zinazoweza kuthibitishwa: majibu ya hesabu ambayo yanaweza kuangaliwa, msimbo unaofaulu majaribio au la. Timu ya Berkeley-Sakana huanza kutoka kwa msingi tofauti. Katika mipaka ya utafiti, wanabishana, mara nyingi hakuna ukweli wa msingi karibu. Kutathmini ugunduzi unaopendekezwa kunaweza kuhitaji utaalamu mdogo, vifaa vya gharama kubwa au majaribio ambayo huchukua muda mrefu zaidi kuliko kuzalisha pendekezo lenyewe.
Matokeo yake ni pengo linaloongezeka: uwezo wa kuzalisha kazi mpya unaendelea kwa kasi zaidi kuliko uwezo wa kuisimamia. Wakati hakuna mwalimu mwenye nguvu zaidi anayepatikana, waandishi huandika, mtindo ukiboreshwa - kile wanachoita "optimizee" - anaweza kuwa msimamizi mwenye uwezo zaidi aliyesalia. Hilo huchochea kile wanachoita uboreshaji wa kujirudia unaofanana, ambapo mtindo huo hutumika kama kiboreshaji chake na kitathmini.
Swali lililo wazi ni jinsi mfumo unavyoweza kujitengenezea ishara muhimu ya mafunzo katika kitanzi hicho. Jibu lao linatokana na historia ya mwanadamu.
Jinsi MISA Inavyofanya Kazi
MASS, kifupi cha Kujisimamia kwa Wakala Wengi, hubadilisha muundo mmoja ulioshirikiwa kuwa mfumo wa majukumu matatu. Uzito sawa hufanya kama wakala wa kutatua kazi ambayo hutoa nafasi ya kazi ya kanuni, matokeo na ripoti ya utafiti; kiboreshaji cha mtiririko wa kazi ambacho hurekebisha jinsi timu ya subagents inavyogawanya kazi; na mtathmini anayelinganisha nafasi mbili za kazi na waamuzi ambayo inakidhi kazi vizuri zaidi.
Kitanzi cha ndani hutafuta mtiririko wa kazi wa timu - mipango iliyoandikwa inayohusu jukumu la kila wakala mdogo, maagizo yake, "mikataba" inayobainisha ni maajenti gani wa ushahidi wanapaswa kupeana, na msururu wa simu, au mihukumio, kati yao. Mtiririko wa kazi bora huhifadhiwa katika marudio na lazima ipigwe ili kubadilishwa. Mtiririko mmoja wa fedha ulioboreshwa, uliofupishwa kwenye karatasi, huratibu utayarishaji wa data, ujenzi wa vipengele, uundaji wa miundo na urekebishaji nyuma kabla ya ukaguzi, na mkataba wake wa data humlazimu mtaalamu wa data kukagua kuwa jaribio la nyuma halingeweza kuvujisha taarifa za siku zijazo katika maamuzi ya kihistoria.
Kitanzi cha nje kisha hubadilisha uzoefu wa pamoja wa timu kuwa data ya mafunzo. Mfumo huendesha utiririshaji wa kazi mara 18, hujipanga kwa nafasi za kazi zinazotokana, huweka utekelezwaji bora 16 na kurekebisha muundo ulioshirikiwa juu yao - na upesi wa mtiririko wa kazi huondolewa baadaye, kwa hivyo ujuzi wa uratibu hubebwa katika uzani badala ya maagizo. Muundo uliosasishwa kisha unaanza tena majukumu yote matatu, na mchakato unajirudia.
Mafanikio Yanayoweza Kupimika kwenye Majukumu Yasiyoweza Kuthibitishwa
Timu iliendesha raundi mbili kamili za MASS kuanzia Qwen3.6-27B katika mazingira ya wakala wa usimbaji wa qwen-code. Uwanja wa mafunzo ulikuwa ni msururu wa kazi 12 za utafiti wa sanisi zinazohusu fedha, robotiki na maduka ya dawa, kila moja ikihitaji msimbo, matokeo ya kiasi na ripoti iliyoandikwa. Kazi tisa ziliteuliwa kwa ajili ya mafunzo na tatu zilifanyika baada ya mafunzo; maelezo ya kazi yalitolewa na GPT-5.5 kabla ya jaribio.
Katika kazi tatu za majaribio zilizofanyika, kiwango cha ushindi cha mtindo wa nje dhidi ya toleo lake la msingi kilipanda kutoka 53.9% baada ya raundi moja hadi 69.9% baada ya mbili. Mtindo wa mzunguko wa pili pia ulishinda mfano wa mzunguko wa kwanza katika 60.8% ya kulinganisha. Ili kuepuka kuweka alama kwa kutumia kigezo sawa kilichotumika wakati wa mafunzo, watafiti walikuwa na GPT-5.5 na Claude Opus 4.8 kutathmini kazi iliyokamilishwa, huku maamuzi hayo yakizuiwa kwa MASS yenyewe.
Ufanisi uliboreshwa pamoja na ubora. Baada ya raundi mbili, alama kwa kila tokeni ilifikia mara 1.2 hadi 1.6 ya kiwango cha msingi katika viwango vinne vya umma: MLR-Bench, DSBench, ScienceAgentBench na AstaBench.
Swali la Usalama, Sio Tu Onyesho la Uwezo
Waandishi wako wazi kuwa usanidi huongezeka maradufu kama uchunguzi wa usalama. Iwapo mifumo ya kiotomatiki ya utafiti inaweza kujumuisha uwezo wao wenyewe, hali zinazoleta uboreshaji wa watu waliotoroka zinahitaji kueleweka mapema - karatasi inabainisha kuwa matarajio ya mlipuko wa kijasusi "hutoa sababu zaidi ya kusoma hali hizi mapema," ikitunga swali lake kuu kama jinsi ya kuhifadhi uangalizi wa maana wakati hakuna msimamizi mwenye nguvu zaidi.
Chapisho hilo linatua huku kukiwa na mjadala mkali kuhusu hatari hiyo. Mwishoni mwa Septemba, Geoffrey Hinton, Yoshua Bengio na wanasayansi wengine wakuu walitoa onyo kwa umma juu ya uwezekano wa mlipuko wa kijasusi uliotoroka, na utafiti katika mifumo ya mawakala ambayo hufanya kazi ya kisayansi imeharakishwa katika uwanja wote.
Mapungufu ya Kuzingatia
Matokeo huja na tahadhari ambazo waandishi wanakiri. Suite ya syntetisk ni ndogo, na ishara zote za mafunzo zinajizalisha, kumaanisha usahihi wa hukumu za mfano mwenyewe haijulikani kwa kubuni - waamuzi wa nje hutumiwa tu kwa kipimo, sio mafunzo. Jukumu moja la mafunzo halikujumuishwa baada ya utafutaji wa mtiririko wa kazi kushindwa kupata mtiririko wowote wa kazi unaozidi marejeleo yake, ukumbusho kwamba kitanzi hakitoi faida kila wakati. Na tathmini za nje zenyewe zilitegemea mifano ya mipaka, ambayo ni washirika wasio kamili wa ukweli wa msingi.
Nini Kinafuata
Kwa Sakana AI, MASS inapanua ajenda ya utafiti inayolenga kugeuza mchakato wa kisayansi yenyewe kiotomatiki, kufuatia kazi ya awali ya maabara kuhusu uzalishaji wa majaribio unaoendeshwa na AI na mifumo ya ukaguzi wa mawakala kwa ajili ya kukagua madai ya utafiti. Iwapo kichocheo cha pamoja cha usimamizi wa kibinafsi kitahamishwa zaidi ya kazi za sintetiki, kikwazo kinacholenga - kusimamia matokeo ya AI kwenye mipaka - kutakua tu na shinikizo zaidi kadiri mifumo ya utafiti otomatiki inavyoongezeka.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
