Sakana AI மற்றும் UC பெர்க்லியின் ஆராய்ச்சியாளர்கள் ஒரு மொழி மாதிரியை அதன் சொந்த பல முகவர் குழுக்களிடமிருந்து ஒழுங்கமைத்தல், தீர்மானித்தல் மற்றும் கற்றுக்கொள்வதன் மூலம் தன்னை மேம்படுத்திக்கொள்ள அனுமதிக்கும் ஒரு முறையை வெளியிட்டுள்ளனர் - இது தன்னியக்க பதில் திறவுகோல் இல்லாத ஆராய்ச்சிப் பணிகளில் சுழல்நிலை சுய-முன்னேற்றத்தை விரிவுபடுத்துகிறது.

"MASS: Recursive Self-Emprovement through Multi-Agent Self-Suppervision" என்ற கட்டுரை அக்டோபர் 2026 இல் arXiv (2610.12176) இல் டோக்கியோவை தளமாகக் கொண்ட ஆய்வகத்தின் ஊடாடும் திட்டப் பக்கத்துடன் வெளியிடப்பட்டது. அதன் ஆசிரியர் பட்டியல் இரண்டு நிறுவனங்களிலும் பரவியுள்ளது: UC பெர்க்லியின் Hyunin Lee, Sakana AI இல் இன்டர்ன்ஷிப்பின் போது வேலையை முடித்தவர்; சகானா ஆராய்ச்சியாளர்கள் ஜிங்லூ சூ, ஜெஃப்ரி சீலி மற்றும் யுஜின் டாங்; மற்றும் UC பெர்க்லியின் Dongyun லீ, Somayeh Sojoudi மற்றும் Matei Zaharia. For more context on this story, see our ongoing AI trends.

இந்த வேலை வார இறுதியில் டெவலப்பர் சமூகத்தில் உடனடி கவனத்தை ஈர்த்தது, அங்கு திட்டத்தின் ஹேக்கர் செய்தி விவாதம் சில மணிநேரங்களில் 100 புள்ளிகளைக் கடந்தது.

மாடல் மட்டுமே மேற்பார்வையாளர் இருக்கும் போது

சுய-மேம்படுத்தும் AI இன் மிகச் சமீபத்திய முன்னேற்றம் சரிபார்க்கக்கூடிய வெகுமதிகளை நம்பியுள்ளது: சரிபார்க்கக்கூடிய கணித பதில்கள், சோதனைகளில் தேர்ச்சி பெற்ற அல்லது செய்யாத குறியீடு. பெர்க்லி-சகானா அணி வேறு ஒரு முன்மாதிரியிலிருந்து தொடங்குகிறது. ஆராய்ச்சி எல்லையில், அவர்கள் வாதிடுகின்றனர், பெரும்பாலும் தரையில் உண்மை இல்லை. முன்மொழியப்பட்ட கண்டுபிடிப்பை மதிப்பிடுவதற்கு பற்றாக்குறை நிபுணத்துவம், விலையுயர்ந்த உபகரணங்கள் அல்லது பரிசோதனைகள் தேவைப்படலாம், அவை முன்மொழிவை உருவாக்குவதை விட அதிக நேரம் எடுக்கும்.

இதன் விளைவாக விரிவடையும் இடைவெளி: புதிய படைப்பை உருவாக்கும் திறன் அதை மேற்பார்வை செய்யும் திறனை விட வேகமாக முன்னேறுகிறது. வலிமையான ஆசிரியர் இல்லாதபோது, ​​ஆசிரியர்கள் எழுதுகிறார்கள், மாதிரி மேம்படுத்தப்படுகிறது - அவர்கள் "உகந்தவர்" என்று அழைப்பது - மிகவும் திறமையான மேற்பார்வையாளராக இருக்கலாம். இது அவர்கள் ஒரே மாதிரியான சுழல்நிலை சுய-மேம்பாடு என்று அழைக்கப்படுவதை ஊக்குவிக்கிறது, இதில் அதே மாதிரி அதன் சொந்த உகப்பாக்கி மற்றும் மதிப்பீட்டாளராக செயல்படுகிறது.

அந்த வளையத்தில் ஒரு அமைப்பு எவ்வாறு பயனுள்ள பயிற்சி சமிக்ஞையை உருவாக்க முடியும் என்பது திறந்த கேள்வி. அவர்களின் பதில் மனித வரலாற்றிலிருந்து கடன் வாங்குகிறது.

மாஸ் எப்படி வேலை செய்கிறது

Multi-Agent Self-Suppervision என்பதன் சுருக்கமான MASS, ஒரு பகிரப்பட்ட மாதிரியை மூன்று பாத்திர அமைப்பாக மாற்றுகிறது. அதே எடைகள் குறியீடு, முடிவுகள் மற்றும் ஆராய்ச்சி அறிக்கையின் பணியிடத்தை உருவாக்கும் பணி-தீர்க்கும் முகவராக செயல்படுகின்றன; துணை முகவர்கள் குழு எவ்வாறு வேலையைப் பிரிக்கிறது என்பதைத் திருத்தும் பணிப்பாய்வு மேம்படுத்தி; இரண்டு பணியிடங்களை ஒப்பிடும் மதிப்பீட்டாளர் மற்றும் பணியை சிறப்பாக திருப்திப்படுத்தும் நீதிபதிகள்.

குழு பணிப்பாய்வுகள் மீது உள் வளையம் தேடுகிறது - ஒவ்வொரு துணை முகவரின் பங்கு, அதன் அறிவுறுத்தல்கள், "ஒப்பந்தங்கள்" ஆகியவற்றை உள்ளடக்கிய எழுதப்பட்ட திட்டங்கள், முகவர்கள் ஒருவரையொருவர் ஒப்படைக்க வேண்டிய சான்றுகள் மற்றும் அவற்றுக்கிடையேயான அழைப்புகள் அல்லது ஹாப்களின் வரிசை ஆகியவற்றைக் குறிப்பிடுகிறது. ஒரு சாம்பியன் பணிப்பாய்வு மறு செய்கைகள் முழுவதும் தக்கவைக்கப்படுகிறது மற்றும் மாற்றப்பட வேண்டும். ஒரு உருவான நிதிப் பணிப்பாய்வு, காகிதத்தில் சுருக்கப்பட்டு, தரவுத் தயாரிப்பு, அம்சக் கட்டுமானம், மாடலிங் மற்றும் ஒரு தணிக்கைக்கு முன் பின்பரிசோதனை ஆகியவற்றை வரிசைப்படுத்துகிறது, மேலும் அதன் தரவு ஒப்பந்தமானது வரலாற்று முடிவுகளில் எதிர்காலத் தகவலைக் கசியவிடாமல் இருக்க தரவு நிபுணரைத் தூண்டுகிறது.

வெளிப்புற வளையமானது அணியின் கூட்டு அனுபவத்தை பயிற்சித் தரவாக மாற்றுகிறது. இந்த அமைப்பு சாம்பியன் பணிப்பாய்வுகளை 18 முறை இயக்குகிறது, அதன் விளைவாக வரும் பணியிடங்களைத் தானே தரவரிசைப்படுத்துகிறது, சிறந்த 16 செயலாக்கங்களை வைத்திருக்கிறது மற்றும் பகிர்ந்த மாதிரியை நன்றாக மாற்றுகிறது - பின்னர் பணிப்பாய்வுத் தூண்டுதலால் அகற்றப்பட்டது, எனவே ஒருங்கிணைப்பு திறன்கள் அறிவுறுத்தல்களை விட எடைகளில் மேற்கொள்ளப்படுகின்றன. புதுப்பிக்கப்பட்ட மாதிரி மூன்று பாத்திரங்களையும் மீண்டும் தொடங்குகிறது, மேலும் செயல்முறை மீண்டும் நிகழ்கிறது.

சரிபார்க்க முடியாத பணிகளில் அளவிடக்கூடிய ஆதாயங்கள்

க்வென்-கோட் கோடிங்-ஏஜென்ட் சூழலில் Qwen3.6-27B இலிருந்து MASS இன் இரண்டு முழுமையான சுற்றுகளை குழு ஓடியது. பயிற்சி மைதானம் நிதி, ரோபாட்டிக்ஸ் மற்றும் மருந்தகம் ஆகியவற்றில் 12 செயற்கை ஆராய்ச்சி பணிகளின் தொகுப்பாக இருந்தது, ஒவ்வொன்றிற்கும் குறியீடு, அளவு முடிவுகள் மற்றும் எழுதப்பட்ட அறிக்கை தேவை. ஒன்பது பணிகள் பயிற்சிக்காக நியமிக்கப்பட்டன மற்றும் மூன்று பயிற்சிக்குப் பிந்தைய பணிகளில் இருந்து விலக்கப்பட்டன; சோதனைக்கு முன் GPT-5.5 மூலம் பணி விளக்கங்கள் உருவாக்கப்பட்டன.

மூன்று ஹோல்டு-அவுட் சோதனை பணிகளில், அதன் அடிப்படை பதிப்பிற்கு எதிராக மாடலின் வெளிப்புறமாக மதிப்பிடப்பட்ட வெற்றி விகிதம் ஒரு சுற்றுக்குப் பிறகு 53.9% இலிருந்து இரண்டுக்குப் பிறகு 69.9% ஆக உயர்ந்தது. இரண்டாம்-சுற்று மாடல் 60.8% ஒப்பீடுகளில் முதல்-சுற்று மாதிரியையும் வென்றது. பயிற்சியின் போது பயன்படுத்தப்படும் அதே அளவுகோலைக் கொண்டு தரம் பிரிப்பதைத் தவிர்க்க, ஆராய்ச்சியாளர்கள் GPT-5.5 மற்றும் Claude Opus 4.8 ஆகியவை நிறைவடைந்த வேலையை மதிப்பீடு செய்தன.

தரத்துடன் செயல்திறன் மேம்பட்டது. இரண்டு சுற்றுகளுக்குப் பிறகு, ஒரு வெளியீட்டு டோக்கனின் மதிப்பெண் நான்கு பொது வரையறைகளில் அடிப்படை மாதிரியின் அளவை விட 1.2 முதல் 1.6 மடங்கு வரை எட்டியது: MLR-Bench, DSBench, ScienceAgentBench மற்றும் AstaBench.

ஒரு பாதுகாப்பு கேள்வி, வெறும் திறன் டெமோ அல்ல

இந்த அமைப்பு பாதுகாப்பு ஆய்வாக இரட்டிப்பாகிறது என்பதை ஆசிரியர்கள் வெளிப்படையாகக் கூறுகின்றனர். தானியங்கு ஆராய்ச்சி அமைப்புகள் அவற்றின் சொந்த திறன்களைக் கூட்டினால், ரன்வே மேம்பாட்டை உருவாக்கும் நிலைமைகளை முன்கூட்டியே புரிந்து கொள்ள வேண்டும் - உளவுத்துறை வெடிப்பின் வாய்ப்பு "இந்த நிலைமைகளை முன்கூட்டியே ஆய்வு செய்ய மேலும் காரணத்தை அளிக்கிறது," வலுவான மேற்பார்வையாளர் இல்லாதபோது அர்த்தமுள்ள மேற்பார்வையை எவ்வாறு பாதுகாப்பது என்பது அதன் மையக் கேள்வியை உருவாக்குகிறது.

அந்த சரியான ஆபத்து பற்றிய தீவிரமான விவாதத்தின் மத்தியில் வெளியீடு இறங்குகிறது. செப்டம்பர் பிற்பகுதியில், Geoffrey Hinton, Yoshua Bengio மற்றும் பிற முன்னணி விஞ்ஞானிகள் ரன்அவே உளவுத்துறை வெடிப்பு சாத்தியம் குறித்து ஒரு பொது எச்சரிக்கையை வெளியிட்டனர், மேலும் அறிவியல் பணிகளை மேற்கொள்ளும் முகவர் அமைப்புகள் பற்றிய ஆராய்ச்சி புலம் முழுவதும் துரிதப்படுத்தப்பட்டுள்ளது.

மனதில் கொள்ள வேண்டிய வரம்புகள்

முடிவுகள் ஆசிரியர்கள் ஒப்புக் கொள்ளும் எச்சரிக்கைகளுடன் வருகின்றன. செயற்கைத் தொகுப்பு சிறியது, மேலும் அனைத்து பயிற்சி சமிக்ஞைகளும் சுயமாக உருவாக்கப்படுகின்றன, அதாவது மாதிரியின் சொந்த தீர்ப்புகளின் சரியான தன்மை வடிவமைப்பால் தெரியவில்லை - வெளிப்புற நீதிபதிகள் அளவீட்டுக்கு மட்டுமே பயன்படுத்தப்படுகிறார்கள், பயிற்சி அல்ல. பணிப்பாய்வு தேடல் அதன் குறிப்பை முறியடிக்கும் எந்தவொரு பணிப்பாய்வுகளையும் கண்டுபிடிக்கத் தவறியதால், ஒரு பயிற்சி பணி விலக்கப்பட்டது, இது லூப் எப்போதும் ஆதாயங்களை உருவாக்காது என்பதை நினைவூட்டுகிறது. மேலும் வெளிப்புற மதிப்பீடுகள் எல்லைக்கோடு மாதிரிகளை நம்பியிருந்தன, இவை அடிப்படை உண்மைக்கான அபூரண பினாமிகள்.

அடுத்து என்ன வரும்

Sakana AI க்கு, MASS ஆனது, AI-உந்துதல் பரிசோதனை உருவாக்கம் மற்றும் ஆராய்ச்சி உரிமைகோரல்களைச் சரிபார்க்கும் முகவர் மறுஆய்வு அமைப்புகளில் ஆய்வகத்தின் முந்தைய பணிகளைத் தொடர்ந்து, அறிவியல் செயல்முறையையே தானியக்கமாக்குவதில் கவனம் செலுத்தும் ஒரு ஆராய்ச்சி நிகழ்ச்சி நிரலை விரிவுபடுத்துகிறது. கூட்டு சுய-கண்காணிப்பு செய்முறையானது செயற்கையான பணிகளுக்கு அப்பால் மாற்றப்பட்டால், அது குறிவைக்கும் இடையூறு - எல்லையில் AI வெளியீட்டை மேற்பார்வையிடுவது - தானியங்கு ஆராய்ச்சி அமைப்புகள் பெருகும்போது மட்டுமே அழுத்தமாக வளரும்.

---

Stay Ahead of AI

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

Read more AI news →