Дослідники з Sakana AI та UC Berkeley опублікували метод, який, за їхніми словами, дозволяє мовній моделі самовдосконалюватися, організовуючи, оцінюючи та навчаючись у своїх власних мультиагентних команд — підхід, який поширює рекурсивне самовдосконалення на дослідницькі завдання, де не існує автоматичного ключа відповіді.
Стаття «MASS: рекурсивне самовдосконалення за допомогою багатоагентного самонагляду» з’явилася в жовтні 2026 року на arXiv (2610.12176) разом із інтерактивною сторінкою проекту з токійської лабораторії. Його авторський список охоплює обидві установи: Хюнін Лі з Каліфорнійського університету в Берклі, який закінчив роботу під час стажування в Sakana AI; дослідники Sakana Jinglue Xu, Jeffrey Seely і Yujin Tang; і Донгхюн Лі, Сомає Соджуді та Матеї Захарія з Каліфорнійського університету в Берклі. For more context on this story, see our ongoing AI industry coverage.
Ця робота одразу привернула увагу спільноти розробників на вихідних, коли обговорення проекту в Hacker News за кілька годин набрало 100 балів.
Коли модель є єдиним доступним супервайзером
Найновіший прогрес у самовдосконаленні штучного інтелекту ґрунтується на винагородах, які можна перевірити: математичні відповіді, які можна перевірити, код, який або проходить тести, або ні. Команда Berkeley-Sakana починає з іншої передумови. Вони стверджують, що на дослідницькому кордоні часто немає жодної правди. Оцінка запропонованого відкриття може вимагати дефіцитного досвіду, дорогого обладнання або експериментів, які тривають набагато довше, ніж створення самої пропозиції.
У результаті розрив збільшується: здатність створювати нову роботу розвивається швидше, ніж здатність її контролювати. Коли немає сильнішого вчителя, пишуть автори, модель, яку вдосконалюють — те, що вони називають «оптимізованим» — може виявитися найздатнішим супервізором. Це мотивує те, що вони називають однорідним рекурсивним самовдосконаленням, у якому та сама модель служить власним оптимізатором і оцінювачем.
Відкрите питання полягає в тому, як система може генерувати корисний тренувальний сигнал для себе в цьому циклі. Їхня відповідь запозичена з історії людства.
Як працює MASS
MASS, скорочення від Multi-Agent Self-Supervision, перетворює одну спільну модель на трирольову систему. Ті самі ваги діють як агент вирішення завдань, який створює робочий простір коду, результатів і звіту про дослідження; оптимізатор робочого процесу, який переглядає, як команда субагентів розподіляє роботу; і оцінювач, який порівнює два робочі простори та судить про те, яке краще задовольняє завдання.
Внутрішній цикл перевіряє робочі процеси команди — письмові плани, що охоплюють роль кожного субагента, його інструкції, «контракти», що визначають, які докази агенти повинні передавати один одному, і послідовність дзвінків або переходів між ними. Чемпіонський робочий процес зберігається протягом ітерацій, і його потрібно перевершити, щоб замінити. Один удосконалений фінансовий робочий процес, стислий у документі, забезпечує послідовність підготовки даних, конструювання функцій, моделювання та ретроспективне тестування перед аудитом, а його контракт із даними змушує спеціаліста з обробки даних перевірити, чи ретест не міг стати причиною витоку майбутньої інформації для історичних рішень.
Потім зовнішній цикл перетворює колективний досвід команди в навчальні дані. Система запускає найкращий робочий процес 18 разів, самостійно ранжує отримані робочі області, зберігає 16 найкращих виконань і точно налаштовує спільну модель на них — згодом сама підказка робочого процесу видаляється, тому навички координації переносяться у ваги, а не в інструкції. Потім оновлена модель відновлює всі три ролі, і процес повторюється.
Вимірні переваги від завдань, які не підлягають перевірці
Команда провела два повних раунди MASS, починаючи з Qwen3.6-27B у середовищі агента кодування qwen-code. Навчальним майданчиком був набір із 12 синтетичних дослідницьких завдань, що охоплювали фінанси, робототехніку та фармацію, кожне з яких потребувало коду, кількісних результатів і письмового звіту. Дев'ять завдань було призначено для навчання і три винесено з пост-тренінгу; описи завдань були згенеровані GPT-5.5 перед експериментом.
У трьох тестових завданнях, оцінених за зовнішніми оцінками, коефіцієнт перемоги моделі порівняно з її базовою версією зріс з 53,9% після одного раунду до 69,9% після другого. Модель другого раунду також перевершила модель першого раунду в 60,8% порівнянь. Щоб уникнути оцінювання за тим самим критерієм, який використовувався під час навчання, дослідники запропонували GPT-5.5 і Claude Opus 4.8 оцінити виконану роботу, причому самі MASS приховували ці оцінки.
Покращення ефективності разом із якістю. Після двох раундів оцінка за вихідний токен досягла від 1,2 до 1,6 разів рівня базової моделі в чотирьох загальнодоступних тестах: MLR-Bench, DSBench, ScienceAgentBench і AstaBench.
Питання безпеки, а не просто демонстрація можливостей
Автори чітко зазначають, що установка одночасно виконує роль зонда безпеки. Якщо автоматизовані дослідницькі системи можуть збільшувати свої власні можливості, умови, які викликають різке покращення, потрібно зрозуміти на ранній стадії — у статті зазначається, що перспектива вибуху інтелекту «дає додаткову підставу вивчати ці умови на ранньому етапі», формулюючи центральне питання про те, як зберегти значущий нагляд, коли немає сильнішого керівника.
Публікація з’явилася на тлі загострення дискусій щодо цього ризику. Наприкінці вересня Джеффрі Хінтон, Йошуа Бенгіо та інші провідні вчені оприлюднили публічне попередження про можливість вибуху розвідувальних даних, і дослідження агентурних систем, які проводять наукову роботу, прискорилися в цій галузі.
Обмеження, про які слід пам’ятати
Результати мають застереження, які визнають автори. Синтетичний набір невеликий, і весь тренувальний сигнал генерується самостійно, тобто правильність власних суджень моделі невідома за дизайном — зовнішні судді використовуються лише для вимірювання, а не для навчання. Одне навчальне завдання було виключено після того, як пошук робочого циклу не зміг знайти жодного робочого процесу, який перевершує його еталон, нагадування про те, що цикл не завжди дає переваги. І самі зовнішні оцінки спиралися на граничні моделі, які є недосконалими проміжками основної істини.
Що буде далі
Для Sakana AI MASS розширює дослідницьку програму, зосереджену на автоматизації самого наукового процесу, слідуючи попереднім роботам лабораторії над створенням експериментів на основі штучного інтелекту та системами перевірки агентів для перевірки тверджень досліджень. Якщо колективний рецепт самоконтролю вийде за рамки синтетичних завдань, вузьке місце, на яке він націлений, — нагляд за виходом штучного інтелекту на кордоні — стане лише більш актуальним із розмноженням автоматизованих дослідницьких систем.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
