Sakana AI और UC Berkeley के शोधकर्ताओं ने परखा है कि क्या कोई AI मॉडल अपने ही जैसे एजेंट (agent) की टीमों से सीखकर बेहतर हो सकता है। उनके नतीजे शोध-कार्यों में मापने योग्य सुधार दिखाते हैं, साथ ही यह भी बताते हैं कि स्वयं-सुधार का मूल्यांकन इतना कठिन क्यों है।
MASS शोध प्रक्रिया का वैचारिक चित्रण। यह शोधकर्ताओं का मूल आर्किटेक्चर आरेख नहीं है।
AI मॉडल अब सॉफ़्टवेयर लिखने, जानकारी का विश्लेषण करने, शोध करने और जटिल समस्याएँ सुलझाने में लोगों की मदद कर सकते हैं। लेकिन खुद मॉडलों को बेहतर बनाना आज भी एक कठिन प्रक्रिया है।
शोधकर्ता आम तौर पर चुने हुए डेटा से मॉडल को प्रशिक्षित करते हैं, प्रदर्शन को परखते हैं और प्रशिक्षण प्रक्रिया में बदलाव करते हैं। अधिक सक्षम मॉडल प्रशिक्षण डेटा बनाने या दूसरे मॉडलों के काम का आकलन करने में भी मदद कर सकते हैं। तब क्या होगा जब जिस मॉडल को बेहतर बनाया जा रहा है, वही काम करने के बेहतर तरीके खोजने और यह तय करने में मदद करे कि किन नतीजों से सीखना चाहिए?
यही सवाल Multi-Agent Self-Supervision (MASS) के पीछे है। यह शोध अक्तूबर 2026 में टोक्यो स्थित Sakana AI ने University of California, Berkeley के शोधकर्ताओं के साथ प्रस्तुत किया। MASS एक ही मॉडल से बने कई एजेंटों से कार्य हल करवाता है, उनके आपसी सहयोग को बेहतर बनाता है और आगे के प्रशिक्षण के लिए चुने हुए निष्पादन-रिकॉर्ड छाँटता है। अद्यतन मॉडल यही प्रक्रिया फिर दोहराता है।
दो सुधार-चक्रों के बाद शोधकर्ताओं ने कई शोध-उन्मुख बेंचमार्क (benchmark) पर सुधार बताया। लेकिन दो सॉफ़्टवेयर-इंजीनियरिंग बेंचमार्क पर प्रदर्शन थोड़ा गिरा। इसलिए यह अध्ययन एक सटीक सवाल पूछता है: क्या कोई AI मॉडल उन एजेंटों के सामूहिक काम से सीखकर बेहतर हो सकता है जिनकी क्षमताएँ वही हैं जो उसकी अपनी हैं?
Sakana AI AI शोध को अलग ढंग से कैसे देखती है
Sakana AI की स्थापना 2023 में टोक्यो में David Ha, Llion Jones और Ren Ito ने की थी। Jones प्रभावशाली शोध-पत्र Attention Is All You Need के सह-लेखक हैं, जिसने Transformer आर्किटेक्चर पेश किया। Sakana AI विकास, अनुकूलन और सामूहिक बुद्धिमत्ता से प्रेरणा लेती है। इसकी परियोजनाओं में Evolutionary Model Merge, The AI Scientist और Darwin Gödel Machine शामिल हैं।
सामान्य-उद्देश्य वाले मॉडल परिवारों के लिए जानी जाने वाली प्रयोगशालाओं के विपरीत, Sakana AI AI प्रणालियों को संगठित करने, जोड़ने और बेहतर बनाने के तरीकों पर विशेष ज़ोर देती है। यह ज़ोर का अंतर है, किसी अनन्य क्षमता का नहीं: Sakana AI भी मॉडल विकसित करती है, और दूसरी प्रयोगशालाएँ भी एजेंटों और स्वयं-सुधार का अध्ययन करती हैं।
| क्षेत्र | Sakana AI | OpenAI | Anthropic | Google DeepMind |
|---|---|---|---|---|
| शोध का ज़ोर | सामूहिक बुद्धिमत्ता, विकास, मॉडल सुधार, स्वचालित शोध | सामान्य-उद्देश्य मॉडल, तर्क, एजेंट, मॉडल प्रशिक्षण | Claude मॉडल, कोडिंग, तर्क, विश्वसनीयता | बहुविध (multimodal) मॉडल, वैज्ञानिक AI, तर्क, एजेंट |
| प्रतिनिधि कार्य | MASS, The AI Scientist, Darwin Gödel Machine | GPT मॉडल परिवार और एजेंट | Claude और Claude Code | Gemini और वैज्ञानिक AI |
| यहाँ प्रासंगिक दृष्टिकोण | समन्वित एजेंटों और चुने हुए अनुभव से सीखना | प्रशिक्षण, पोस्ट-ट्रेनिंग, एजेंट विकास | प्रशिक्षण, पोस्ट-ट्रेनिंग, टूल उपयोग, अलाइनमेंट | प्रशिक्षण, रीइन्फ़ोर्समेंट लर्निंग, खोज, वैज्ञानिक खोज |
| कई एजेंटों की भूमिका | शोध का केंद्रीय विषय, साझा मॉडलों को बेहतर बनाना भी शामिल | कार्य और शोध वर्कफ़्लो | कोडिंग और शोध वर्कफ़्लो | शोध और तर्क वर्कफ़्लो |
| MASS क्या स्थापित करता है | बहु-एजेंट कार्य को साझा मॉडल के प्रशिक्षण उदाहरणों में बदलने का एक परखा हुआ तरीका | इस अध्ययन में आकलित नहीं | इस अध्ययन में आकलित नहीं | इस अध्ययन में आकलित नहीं |
यह तुलना शोध की दिशाओं के बारे में है। यह मॉडल क्षमता की रैंकिंग नहीं है और न ही किसी अनन्य पद्धति का दावा है।
MASS, Sakana AI के पिछले काम को आगे बढ़ाता है। केवल यह अनुकूलित करने के बजाय कि कोई एजेंट प्रणाली कैसे व्यवहार करे, यह परखता है कि क्या एक प्रभावी टीम के अनुभव से मूल मॉडल बेहतर हो सकता है।
MASS आखिर है क्या?
MASS का अर्थ है Multi-Agent Self-Supervision। कई एजेंट एक ही मूल भाषा मॉडल का उपयोग करते हैं, लेकिन उन्हें अलग-अलग भूमिकाएँ और निर्देश मिलते हैं। साथ मिलकर वे डेटा तैयार कर सकते हैं, नतीजों का विश्लेषण कर सकते हैं, कोड लिख सकते हैं और एक-दूसरे के काम की जाँच कर सकते हैं। MASS इस सहयोग की बेहतर व्यवस्था खोजता है और फिर काम के चुने हुए रिकॉर्ड पर साझा मॉडल को प्रशिक्षित करता है।
इन रिकॉर्ड को अक्सर trajectories कहा जाता है। इनमें कार्य हल करने की प्रक्रिया के संदेश, टूल कॉल और नतीजे दर्ज होते हैं। लक्ष्य यह है कि टीम की सामूहिक गतिविधि के उपयोगी पैटर्न मॉडल के पैरामीटरों में पहुँचें।
| क्षमता | पारंपरिक बहु-एजेंट वर्कफ़्लो | Sakana AI MASS |
|---|---|---|
| कई एजेंट सहयोग करते और कार्य बाँटते हैं | अक्सर | हाँ |
| टीमों और नतीजों का मूल्यांकन हो सकता है | हाँ | हाँ |
| वर्कफ़्लो का संगठन बदला जा सकता है | कभी-कभी | हाँ |
| चुने हुए निष्पादन मॉडल-प्रशिक्षण डेटा बनते हैं | अंतर्निहित नहीं | हाँ |
| चक्रों के बीच साझा मॉडल के पैरामीटर बदलते हैं | अंतर्निहित नहीं | हाँ |
| अद्यतन मॉडल सॉल्वर, ऑप्टिमाइज़र और इवैल्युएटर की भूमिकाएँ निभाता है | अंतर्निहित नहीं | हाँ |
| बार-बार सुधार प्रदर्शित | अलग-अलग | दो चक्र |
मुख्य अंतर यह है कि साधारण बहु-एजेंट सहयोग मॉडल को बिल्कुल बदले बिना भी नतीजा बेहतर कर सकता है। MASS टीम के कुछ लाभ को मॉडल प्रशिक्षण के ज़रिए सुरक्षित रखने का प्रयास करता है। यह AI द्वारा बनाई सामग्री से सीखने वाली पहली प्रणाली नहीं है। इसका विशेष योगदान वर्कफ़्लो खोज, स्वयं-मूल्यांकन और मॉडल अद्यतन का यह संयोजन है।
सुधार का चक्र कैसे काम करता है
एक साझा मॉडल तीन भूमिकाओं में काम करता है। टास्क सॉल्वर शोध कार्य तैयार करता है, वर्कफ़्लो ऑप्टिमाइज़र टीम की भूमिकाओं और क्रम को संशोधित करता है, और इवैल्युएटर पूरे हुए नतीजों की तुलना करता है।
पहला चरण, सहयोग बेहतर बनाना। ऑप्टिमाइज़र एक वर्कफ़्लो सुझाता है, एजेंट उसे चलाते हैं, और इवैल्युएटर नतीजे की तुलना अब तक के सबसे अच्छे काम से करता है। ऑप्टिमाइज़र उसी फ़ीडबैक के आधार पर वर्कफ़्लो को संशोधित करता है। इस चरण में मॉडल के वेट (weights) स्थिर रहते हैं: केवल काम का संगठन बदलता है।
दूसरा चरण, चुने हुए काम से सीखना। MASS आशाजनक वर्कफ़्लो को बार-बार चलाता है, नतीजों को रैंक करता है और पर्यवेक्षित फ़ाइन-ट्यूनिंग (fine-tuning) के लिए चुनी हुई trajectories रखता है। शोधकर्ताओं ने साझा मॉडल पर LoRA फ़ाइन-ट्यूनिंग का उपयोग किया। फिर अद्यतन मॉडल अगले चक्र में तीनों भूमिकाएँ संभालता है।
Accessible text alternative for this figure
एक पंक्ति में दो चरण। चरण 1, सहयोग बेहतर बनाना, मॉडल वेट स्थिर रखकर: ऑप्टिमाइज़र एक वर्कफ़्लो सुझाता है, एजेंट उसे चलाते हैं, इवैल्युएटर नतीजे की तुलना अब तक के सबसे अच्छे नतीजे से करता है, और ऑप्टिमाइज़र वर्कफ़्लो को संशोधित करता है। चरण 2, चुने हुए काम से सीखना: आशाजनक वर्कफ़्लो बार-बार चलाना, नतीजे रैंक करना, चुनी हुई trajectories रखना, और साझा मॉडल को LoRA से फ़ाइन-ट्यून करना।
तीसरा बॉक्स, अद्यतन साझा मॉडल, अगले चक्र में तीनों भूमिकाएँ संभालता है: टास्क सॉल्वर, वर्कफ़्लो ऑप्टिमाइज़र और इवैल्युएटर। उससे चरण 1 की ओर एक तीर लौटता है, जो चक्र का दोहराव दिखाता है, और एक टिप्पणी बताती है कि कार्य, प्रशिक्षण पद्धति, सुरक्षा उपाय और मूल्यांकन प्रक्रिया शोधकर्ता ही तय करते हैं। यह चित्र वर्णित पद्धति की TechiesJournal द्वारा दी गई व्याख्या है, शोधकर्ताओं का आरेख नहीं।
इसे recursive self-improvement कहा जाता है क्योंकि अद्यतन मॉडल अपने अगले प्रशिक्षण संकेत को तैयार करने में भाग लेता है। फिर भी कार्य, प्रशिक्षण पद्धति, सुरक्षा उपाय और मूल्यांकन प्रक्रिया शोधकर्ता ही तय करते हैं। यह प्रयोग असीमित स्वयं-विकास को प्रदर्शित नहीं करता।
Sakana AI ने वास्तव में क्या परखा?
शोधकर्ताओं ने qwen-code कोडिंग-एजेंट वातावरण में Qwen3.6-27B से शुरुआत की। उनके कृत्रिम शोध-समूह में वित्त, रोबोटिक्स और फ़ार्मेसी के 12 कार्य थे, और हर कार्य में कोड, संख्यात्मक नतीजे और एक रिपोर्ट चाहिए थी। नौ प्रशिक्षण को सौंपे गए और तीन पोस्ट-ट्रेनिंग से अलग रखे गए। अंततः आठ ने प्रशिक्षण डेटा दिया, क्योंकि वर्कफ़्लो खोज एक प्रशिक्षण कार्य को बेहतर नहीं कर सकी।
उन्होंने दो पूर्ण MASS चक्र चलाए। सीखने के चक्र को मॉडल के अपने इवैल्युएटर ने दिशा दी, जबकि प्रगति मापने के लिए GPT-5.5 और Claude Opus 4.8 बाहरी मूल्यांकनकर्ता रहे। ये बाहरी आकलन MASS की प्रशिक्षण प्रक्रिया से अलग रखे गए। इससे एक स्वतंत्र आकलन मिला, हालाँकि AI-आधारित मूल्यांकन की अपनी सीमाएँ अब भी हैं।
प्रयोगों में क्या मिला
तीन अलग रखे गए कृत्रिम कार्यों पर बाहरी मूल्यांकनकर्ताओं ने पहले चक्र के मॉडल को 53.9% बार बेस मॉडल से बेहतर माना। दो चक्रों के बाद दूसरे चक्र का मॉडल बेस के मुकाबले 69.9% तुलनाओं में और पहले चक्र के मॉडल के मुकाबले 60.8% तुलनाओं में जीता।
| तुलना | बाहरी निर्णायकों के अनुसार रिपोर्ट किया गया विन रेट |
|---|---|
| चक्र 1 बनाम बेस | 53.9% |
| चक्र 2 बनाम बेस | 69.9% |
| चक्र 2 बनाम चक्र 1 | 60.8% |
विन रेट (win rate) बताता है कि किसी तय तुलना में एक आउटपुट को कितनी बार पसंद किया गया। इसका यह अर्थ नहीं कि मॉडल 69.9% अधिक बुद्धिमान हो गया।
अध्ययन ने छह सार्वजनिक बेंचमार्क को भी परखा:
| बेंचमार्क | बेस मॉडल | दो MASS चक्रों के बाद | दिशा |
|---|---|---|---|
| ScienceAgentBench | 28.8% | 31.7% | सुधार |
| MLR-Bench | 1.71 | 2.25 | सुधार |
| AstaBench E2E-Hard | 0.053 | 0.067 | सुधार |
| DSBench | 0.473 | 0.482 | मामूली सुधार |
| Terminal-Bench 2.0 | 0.375 | 0.352 | गिरावट |
| SWE-bench Verified | 0.626 | 0.611 | गिरावट |
मान शोधकर्ताओं द्वारा रिपोर्ट किए गए हैं। अलग-अलग बेंचमार्क अलग स्कोरिंग पैमाने इस्तेमाल करते हैं, इसलिए उनके कच्चे मानों की आपस में तुलना नहीं की जानी चाहिए।
सबसे मज़बूत सुधार प्रशिक्षण कार्यों के नज़दीकी शोध-उन्मुख बेंचमार्क पर दिखे। Terminal-Bench 2.0 और SWE-bench Verified पर आई गिरावट बताती है कि शोध-कार्यों में बेहतर प्रदर्शन अपने आप सॉफ़्टवेयर इंजीनियरिंग में नहीं पहुँचा।
Sakana AI ने चार शोध बेंचमार्क में प्रति आउटपुट टोकन (token) 1.2–1.6× अधिक बेंचमार्क स्कोर भी रिपोर्ट किया। यह सामान्य बुद्धिमत्ता में 20–60% की वृद्धि नहीं है, और न ही प्रशिक्षण की कुल कंप्यूटिंग लागत में उतनी कमी।
कई एजेंटों से सीखना क्यों मायने रखता है
प्रशिक्षण उदाहरणों की एक तुलना में, बहु-एजेंट trajectories पर प्रशिक्षित मॉडल लगभग 28.8 मिलियन पर्यवेक्षित प्रशिक्षण टोकन प्रोसेस करने के बाद बेस मॉडल के मुकाबले 68.3% विन रेट तक पहुँचा। एकल-एजेंट पर प्रशिक्षित तुलना वाला मॉडल लगभग 42 मिलियन पर्यवेक्षित टोकन के बाद 64.0% तक पहुँचा।
| प्रशिक्षण सामग्री | पर्यवेक्षित टोकन | बेस के मुकाबले विन रेट |
|---|---|---|
| एकल-एजेंट trajectories | ~42 मिलियन | 64.0% |
| बहु-एजेंट trajectories | ~28.8 मिलियन | 68.3% |
निष्कर्ष सुझाते हैं कि इस सेटिंग में टीम के चुने हुए रिकॉर्ड प्रति पर्यवेक्षित टोकन उपयोगी प्रशिक्षण संकेत दे सकते हैं। लेकिन वे बहु-एजेंट समन्वय को एकमात्र कारण के रूप में अलग नहीं करते: वर्कफ़्लो, निर्देश और मूल्यांकन प्रक्रियाएँ भी अलग थीं। और पर्यवेक्षित टोकन में trajectories बनाने, वर्कफ़्लो खोजने और आउटपुट का मूल्यांकन करने की लागत शामिल नहीं होती। MASS को शुरू से अंत तक सस्ता नहीं दिखाया गया है।
क्या मॉडल खुद को बेहतर बनाने में बेहतर हो सकता है?
MASS कार्य हल करने वाली trajectories पर प्रशिक्षित होता है, फिर भी शोधकर्ताओं ने वर्कफ़्लो खोज और बाहरी निर्णायकों के साथ इवैल्युएटर की सहमति में भी सुधार देखा। ये दोनों भूमिकाएँ इसलिए मायने रखती हैं कि अगला चक्र केवल कार्य हल करने पर नहीं, बल्कि बेहतर व्यवस्थाएँ खोजने और उपयोगी उदाहरण पहचानने पर भी निर्भर करता है।
एक अलग प्रयोग में, केवल मूल्यांकन सुधारने की तुलना में मज़बूत ऑप्टिमाइज़ेशन और मूल्यांकन ने सफल वर्कफ़्लो अधिक तेज़ी से खोजे। वर्कफ़्लो खोज अस्थिर भी हो सकती थी: एक अच्छे उम्मीदवार के बाद खराब नतीजे आ सकते थे।
अध्ययन परखी गई सेटिंग में भूमिकाओं के बीच सुधार का समर्थन करता है। यह नहीं दिखाता कि यह चक्र हमेशा सुधार करता रह सकता है।
MASS अब भी कहाँ कमज़ोर है
असमान हस्तांतरण। चार शोध बेंचमार्क में सुधार हुआ, जबकि दो सॉफ़्टवेयर-इंजीनियरिंग बेंचमार्क में गिरावट आई। चुने हुए कार्यों पर लाभ व्यापक क्षमता लाभ नहीं हैं।
केवल दो चक्र। बारह कृत्रिम शोध कार्य और दो पूर्ण चक्र दीर्घकालिक या तेज़ होते स्वयं-सुधार को स्थापित नहीं कर सकते।
साझा अंधे बिंदु। प्रशिक्षण के दौरान वही मॉडल काम करता है और उसका आकलन भी करता है। अगर वह किसी कमज़ोर नतीजे को स्वीकार कर ले, तो वह त्रुटि इस पर असर डाल सकती है कि क्या सीखा जाए। एक ही मॉडल साझा करने वाले कई एजेंट स्वतंत्र सत्यापन के बराबर नहीं हैं।
अज्ञात पूरी लागत। मॉडल इन्फ़रेंस, बार-बार एजेंट निष्पादन, मूल्यांकन, वर्कफ़्लो खोज और फ़ाइन-ट्यूनिंग, सब संसाधन खर्च करते हैं। शोध-पत्र के टोकन-दक्षता माप कम कुल लागत को स्थापित नहीं करते।
अधूरा पुनरुत्पादन पैकेज। Sakana AI ने कोड जारी किया, लेकिन हर बेंचमार्क एडाप्टर या हर प्रयोगात्मक कॉन्फ़िगरेशन नहीं, जो रिपोर्ट किए गए सभी नतीजे सीधे रिपॉज़िटरी से दोहराने के लिए चाहिए।
क्या MASS Sakana AI को फ़्रंटियर-मॉडल डेवलपर्स से अधिक सक्षम बनाता है?
MASS एक प्रशिक्षण पद्धति है, कोई नया फ़्रंटियर सामान्य-उद्देश्य मॉडल नहीं। अध्ययन ने निर्दिष्ट परिस्थितियों में एक मौजूदा Qwen मॉडल को बेहतर बनाया। इसने यह नहीं दिखाया कि नतीजे में बना मॉडल सामान्य स्वतंत्र बेंचमार्क पर मौजूदा GPT, Claude या Gemini मॉडलों से बेहतर है।
इसका योगदान सीमित लेकिन मूल्यवान है: बहु-एजेंट निष्पादन रिकॉर्ड ऐसे प्रशिक्षण संकेत दे सकते हैं जो संबंधित कार्यों पर भविष्य के काम को बेहतर बनाएँ। यह पद्धति बड़े मॉडलों, अलग कार्यों या कहीं अधिक चक्रों तक पहुँचती है या नहीं, यह परखा जाना बाकी है।
AI विकास के लिए इस शोध का क्या अर्थ है
खुले-अंत वाले काम के लिए AI को प्रशिक्षित करने का एक कठिन हिस्सा यह तय करना है कि कौन सा काम वास्तव में बेहतर है। स्पष्ट रूप से सत्यापन-योग्य उत्तरों वाले कार्यों के विपरीत, शोध रिपोर्टों और जटिल विश्लेषणों के लिए महँगे प्रयोग या विशेषज्ञ समीक्षा चाहिए हो सकती है।
MASS परखता है कि क्या एजेंटों की टीमें उपयोगी अनुभव पैदा कर सकती हैं और क्या मॉडल उस अनुभव में से कुछ को चुनकर उससे सीख सकता है। नतीजे शोध-कार्यों पर इस संभावना का समर्थन करते हैं, साथ ही यह भी उजागर करते हैं कि अविश्वसनीय आकलन गलतियों को कैसे मज़बूत कर सकते हैं।
अगले परीक्षण स्पष्ट हैं: व्यापक कार्य, स्वतंत्र पुनरुत्पादन, पूरी लागत का हिसाब और लंबे सुधार-रन। फिलहाल, MASS यह प्रदर्शित करता है कि एजेंटों का सामूहिक अनुभव उपयोगी प्रशिक्षण सामग्री बन सकता है, यह नहीं कि AI ने बिना किसी सीमा के खुद को बेहतर बनाना सीख लिया है।
स्रोत और आगे पढ़ने के लिए
संपादकीय स्रोत की अंतिम तिथि: 14 October 2026। हर स्रोत को 14 October 2026 को खोलकर जाँचा गया। नतीजे वैसे ही हैं जैसे लेखकों ने रिपोर्ट किए हैं, और उन्हें स्वतंत्र रूप से दोहराया नहीं गया है।
- Sakana AI: MASS research announcement. अक्तूबर 2026।
- Lee et al.: Recursive Self-Improvement through Multi-Agent Self-Supervision. मूल शोध-पत्र, अक्तूबर 2026।
- Sakana AI: MASS technical research explanation. पद्धति, प्रयोग और सीमाएँ।
- SakanaAI/mass: Public code and reproducibility notes. कोड रिपॉज़िटरी।
- Sakana AI: Company information. पृष्ठभूमि और संस्थापक।
- Sakana AI: Evolutionary Model Merge. संबंधित शोध।