Sakana AI اور UC Berkeley کے محققین نے ایک طریقہ شائع کیا ہے جس میں وہ کہتے ہیں کہ ایک زبان کے ماڈل کو اپنی ملٹی ایجنٹ ٹیموں کو منظم کرنے، فیصلہ کرنے اور سیکھنے کے ذریعے خود کو بہتر کرنے دیتا ہے - ایک ایسا نقطہ نظر جو تحقیقی کاموں میں دوبارہ خود کو بہتر بنانے میں توسیع کرتا ہے جہاں کوئی خودکار جوابی کلید موجود نہیں ہے۔
کاغذ، "MASS: Recursive Self-improvement through Multi-Agent Self-Supervision" اکتوبر 2026 میں arXiv (2610.12176) پر ٹوکیو میں قائم لیب سے ایک انٹرایکٹو پروجیکٹ پیج کے ساتھ شائع ہوا۔ اس کے مصنف کی فہرست دونوں اداروں پر محیط ہے: UC برکلے کے Hyunin Lee، جنہوں نے Sakana AI میں انٹرن شپ کے دوران کام مکمل کیا۔ ساکانا کے محققین Jinglue Xu، Jeffrey Seely اور Yujin Tang; اور یو سی برکلے کے ڈونگھیون لی، سومایہ سوجودی اور متی ظہریا۔ For more context on this story, see our ongoing AI trends.
کام نے ہفتے کے آخر میں ڈویلپر کمیونٹی میں فوری توجہ مبذول کرائی، جہاں پراجیکٹ کے بارے میں ہیکر نیوز کی بحث نے گھنٹوں میں 100 پوائنٹس پاس کر لیے۔
جب ماڈل واحد سپروائزر دستیاب ہو۔
خود کو بہتر بنانے والی AI میں حالیہ پیش رفت نے قابل تصدیق انعامات پر انحصار کیا ہے: ریاضی کے جوابات جن کی جانچ کی جا سکتی ہے، کوڈ جو یا تو ٹیسٹ پاس کرتا ہے یا نہیں کرتا۔ برکلے-سکانا ٹیم ایک مختلف بنیاد سے شروع ہوتی ہے۔ تحقیقی محاذ پر، وہ کہتے ہیں، اکثر کوئی زمینی سچائی ہاتھ میں نہیں ہوتی۔ مجوزہ دریافت کا جائزہ لینے کے لیے نایاب مہارت، مہنگے سازوسامان یا تجربات کی ضرورت پڑ سکتی ہے جو تجویز کو خود تیار کرنے سے کہیں زیادہ وقت لیتے ہیں۔
نتیجہ ایک وسیع ہوتا ہوا خلا ہے: نئے کام کو تیار کرنے کی صلاحیت اس کی نگرانی کرنے کی صلاحیت سے زیادہ تیزی سے آگے بڑھ رہی ہے۔ جب کوئی مضبوط استاد دستیاب نہیں ہوتا ہے، مصنفین لکھتے ہیں، ماڈل کو بہتر بنایا جا رہا ہے - جسے وہ "optimizee" کہتے ہیں - سب سے زیادہ قابل سپروائزر رہ سکتا ہے۔ اس سے وہ حوصلہ افزائی کرتا ہے جسے وہ یکساں تکراری خود کی بہتری کہتے ہیں، جس میں ایک ہی ماڈل اپنے اصلاح کار اور تشخیص کار کے طور پر کام کرتا ہے۔
کھلا سوال یہ ہے کہ ایک نظام اس لوپ میں اپنے لیے ایک مفید تربیتی سگنل کیسے پیدا کرسکتا ہے۔ ان کا جواب انسانی تاریخ سے مستعار ہے۔
ماس کیسے کام کرتا ہے۔
MASS، ملٹی ایجنٹ سیلف سپرویژن کے لیے مختصر، ایک مشترکہ ماڈل کو تین رول سسٹم میں بدل دیتا ہے۔ وہی وزن کام کو حل کرنے والے ایجنٹ کے طور پر کام کرتا ہے جو کوڈ، نتائج اور تحقیقی رپورٹ کی ایک ورک اسپیس تیار کرتا ہے۔ ورک فلو آپٹیمائزر جو اس بات پر نظر ثانی کرتا ہے کہ ذیلی ایجنٹوں کی ٹیم کام کو کیسے تقسیم کرتی ہے۔ اور جائزہ لینے والا جو دو کام کی جگہوں اور ججوں کا موازنہ کرتا ہے جو کام کو بہتر طور پر مطمئن کرتا ہے۔
اندرونی لوپ ٹیم کے ورک فلو پر تلاش کرتا ہے - تحریری منصوبے جس میں ہر ذیلی ایجنٹ کے کردار، اس کی ہدایات، "معاہدے" کا احاطہ کیا گیا ہے جس میں یہ بتایا گیا ہے کہ ایجنٹوں کو کن ثبوتوں کو ایک دوسرے کے حوالے کرنا چاہیے، اور ان کے درمیان کالوں یا ہاپس کی ترتیب۔ ایک چیمپیئن ورک فلو کو تکرار کے دوران برقرار رکھا جاتا ہے اور اسے تبدیل کرنے کے لیے پیٹنا ضروری ہے۔ ایک تیار شدہ فنانس ورک فلو، کاغذ میں گاڑھا، ترتیب ڈیٹا کی تیاری، فیچر کی تعمیر، ماڈلنگ اور آڈٹ سے پہلے بیک ٹیسٹنگ، اور اس کا ڈیٹا کنٹریکٹ ڈیٹا ماہر کو یہ چیک کرنے پر مجبور کرتا ہے کہ بیک ٹیسٹ مستقبل کی معلومات کو تاریخی فیصلوں میں لیک نہیں کر سکتا تھا۔
بیرونی لوپ پھر ٹیم کے اجتماعی تجربے کو تربیتی ڈیٹا میں بدل دیتا ہے۔ سسٹم چیمپیئن ورک فلو کو 18 بار چلاتا ہے، نتیجے میں آنے والے ورک اسپیس کو خود رینک کرتا ہے، بہترین 16 ایگزیکیوشن رکھتا ہے اور ان پر مشترکہ ماڈل کو ٹھیک ٹھیک کرتا ہے — بعد میں ورک فلو پرامپٹ کو خود ہی ہٹا دیا جاتا ہے، اس لیے کوآرڈینیشن کی مہارتیں ہدایات کے بجائے وزن میں رکھی جاتی ہیں۔ اپ ڈیٹ شدہ ماڈل پھر تینوں کرداروں کو دوبارہ شروع کرتا ہے، اور عمل دہرایا جاتا ہے۔
ناقابل تصدیق کاموں پر قابل پیمائش فوائد
ٹیم نے Qwen-code coding-Agent ماحول میں Qwen3.6-27B سے شروع ہونے والے MASS کے دو مکمل راؤنڈ دوڑے۔ ٹریننگ گراؤنڈ فنانس، روبوٹکس اور فارمیسی پر محیط 12 مصنوعی تحقیقی کاموں کا ایک مجموعہ تھا، ہر ایک کوڈ، مقداری نتائج اور تحریری رپورٹ کی ضرورت ہوتی ہے۔ نو کاموں کو تربیت کے لیے نامزد کیا گیا تھا اور تین کو بعد از تربیت سے باہر رکھا گیا تھا۔ تجربے سے پہلے GPT-5.5 کے ذریعہ کام کی تفصیل تیار کی گئی تھی۔
تین منعقد کیے گئے ٹیسٹ ٹاسکس پر، اس کے بیس ورژن کے مقابلے میں ماڈل کی بیرونی طور پر جیت کی شرح ایک راؤنڈ کے بعد 53.9% سے بڑھ کر دو کے بعد 69.9% ہو گئی۔ دوسرے راؤنڈ کے ماڈل نے پہلے راؤنڈ کے ماڈل کو بھی 60.8 فیصد مقابلے میں شکست دی۔ تربیت کے دوران استعمال ہونے والے اسی یارڈ اسٹک کے ساتھ درجہ بندی سے بچنے کے لیے، محققین نے GPT-5.5 اور Claude Opus 4.8 کے پاس مکمل شدہ کام کا جائزہ لیا، ان فیصلوں کو خود MASS سے روک دیا گیا۔
معیار کے ساتھ ساتھ کارکردگی میں بہتری آئی۔ دو راؤنڈز کے بعد، اسکور فی آؤٹ پٹ ٹوکن چار عوامی بینچ مارکس میں بیس ماڈل کی سطح سے 1.2 سے 1.6 گنا تک پہنچ گیا: MLR-Bench، DSBench، ScienceAgentBench اور AstaBench۔
ایک حفاظتی سوال، نہ صرف قابلیت کا ڈیمو
مصنفین واضح ہیں کہ سیٹ اپ حفاظتی تحقیقات کے طور پر دوگنا ہو جاتا ہے۔ اگر خودکار تحقیقی نظام اپنی صلاحیتوں کو ہم آہنگ کر سکتے ہیں، تو ایسے حالات کو جلد سمجھنے کی ضرورت ہے جو بھاگنے میں بہتری پیدا کرتے ہیں - کاغذ نوٹ کرتا ہے کہ انٹیلی جنس دھماکے کا امکان "ان حالات کا جلد مطالعہ کرنے کی مزید وجہ فراہم کرتا ہے،" اس کا مرکزی سوال یہ ہے کہ جب کوئی مضبوط سپروائزر دستیاب نہ ہو تو بامعنی نگرانی کو کیسے محفوظ رکھا جائے۔
اشاعت اس عین خطرے پر شدید بحث کے درمیان اترتی ہے۔ ستمبر کے آخر میں، جیفری ہنٹن، یوشوا بینجیو اور دیگر سرکردہ سائنس دانوں نے انٹیلی جنس کے بھاگ جانے کے امکان کے بارے میں ایک عوامی انتباہ جاری کیا، اور سائنسی کام کرنے والے ایجنٹی نظاموں کی تحقیق پورے میدان میں تیز ہو گئی ہے۔
ذہن میں رکھنے کی حدود
نتائج ان انتباہات کے ساتھ آتے ہیں جن کو مصنفین تسلیم کرتے ہیں۔ مصنوعی سوٹ چھوٹا ہے، اور تمام تربیتی سگنل خود تیار کیے گئے ہیں، یعنی ماڈل کے اپنے فیصلوں کی درستگی ڈیزائن کے لحاظ سے نامعلوم ہے — بیرونی ججوں کو صرف پیمائش کے لیے استعمال کیا جاتا ہے، تربیت کے لیے نہیں۔ ایک تربیتی کام کو خارج کر دیا گیا جب ورک فلو کی تلاش کسی بھی ورک فلو کو تلاش کرنے میں ناکام رہی جس نے اس کے حوالہ کو شکست دی، ایک یاد دہانی کہ لوپ ہمیشہ فائدہ نہیں دیتا۔ اور بیرونی تشخیص خود فرنٹیئر ماڈلز پر انحصار کرتے ہیں، جو زمینی سچائی کے لیے نامکمل پراکسی ہیں۔
آگے کیا آتا ہے۔
Sakana AI کے لیے، MASS تحقیقی دعووں کی جانچ کے لیے AI سے چلنے والے تجرباتی جنریشن اور ایجنٹ کے جائزے کے نظام پر لیب کے پہلے کام کے بعد، سائنسی عمل کو خود کار بنانے پر مرکوز تحقیقی ایجنڈے کو بڑھاتا ہے۔ اگر اجتماعی خود کی نگرانی کا نسخہ مصنوعی کاموں سے آگے منتقل ہوتا ہے، تو یہ جس رکاوٹ کو نشانہ بناتا ہے - سرحد پر AI آؤٹ پٹ کی نگرانی کرنا - صرف خود کار تحقیقی نظام کے بڑھنے کے ساتھ ہی زیادہ دباؤ بڑھے گا۔
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
