Sakana AI, UC Berkeley పరిశోధకులు ఒక AI మోడల్ తనతోనే తయారైన ఏజెంట్ల బృందాల నుంచి నేర్చుకుని మెరుగుపడగలదా అని పరీక్షించారు. పరిశోధన సంబంధిత పనుల్లో కొలవదగిన మెరుగుదలలు వారి ఫలితాల్లో కనిపించాయి. అదే సమయంలో స్వయం మెరుగుదలను మూల్యాంకనం చేయడం ఎందుకు కష్టమో కూడా ఈ ఫలితాలు చూపిస్తున్నాయి.
MASS పరిశోధన ప్రక్రియను చూపే భావనాత్మక చిత్రణ. ఇది పరిశోధకుల అసలు ఆర్కిటెక్చర్ రేఖాచిత్రం కాదు.
సాఫ్ట్‌వేర్ రాయడంలో, సమాచారాన్ని విశ్లేషించడంలో, పరిశోధన చేయడంలో, సంక్లిష్ట సమస్యలను పరిష్కరించడంలో AI మోడల్స్ ఇప్పుడు మనుషులకు సహాయపడుతున్నాయి. కానీ ఆ మోడల్స్‌ను మెరుగుపరచడం మాత్రం ఇంకా కష్టమైన ప్రక్రియే.
పరిశోధకులు సాధారణంగా ఎంపిక చేసిన డేటాతో మోడల్స్‌కు శిక్షణ ఇస్తారు, పనితీరును మూల్యాంకనం చేస్తారు, శిక్షణ ప్రక్రియను సర్దుబాటు చేస్తారు. సామర్థ్యం ఎక్కువ ఉన్న మోడల్స్ శిక్షణ డేటాను సృష్టించడంలో, ఇతర మోడల్స్ చేసిన పనిని అంచనా వేయడంలో కూడా తోడ్పడగలవు. మరి మెరుగుపరచబడుతున్న మోడలే మెరుగైన పని పద్ధతులను కనుగొనడంలో, ఏ ఫలితాల నుంచి నేర్చుకోవడం విలువైనదో నిర్ణయించడంలో సహాయపడితే ఏమవుతుంది?
Multi-Agent Self-Supervision (MASS) వెనుక ఉన్న ప్రశ్న ఇదే. టోక్యో కేంద్రంగా పనిచేసే Sakana AI, University of California, Berkeley పరిశోధకులతో కలిసి 2026 అక్టోబర్‌లో ఈ పరిశోధనను పరిచయం చేసింది. ఒకే మోడల్ నుంచి తయారైన బహుళ ఏజెంట్లను MASS ఉపయోగిస్తుంది. అవి పనులను పరిష్కరిస్తాయి, తమ సహకారాన్ని మెరుగుపరచుకుంటాయి, తదుపరి శిక్షణ కోసం అమలు రికార్డులను ఎంపిక చేస్తాయి. నవీకరించిన మోడల్ ఈ ప్రక్రియను మళ్లీ చేస్తుంది.
రెండు మెరుగుదల చక్రాల తర్వాత, పరిశోధన ఆధారిత benchmark లలో కొన్నింటిలో మెరుగుదలలు వచ్చాయని పరిశోధకులు నివేదించారు. కానీ రెండు సాఫ్ట్‌వేర్ ఇంజనీరింగ్ benchmark లలో పనితీరు స్వల్పంగా తగ్గింది. అందువల్ల ఈ అధ్యయనం ఒక స్పష్టమైన ప్రశ్న అడుగుతోంది: తన సామర్థ్యాలనే పంచుకునే ఏజెంట్ల సమష్టి పని నుంచి నేర్చుకోవడం ద్వారా ఒక AI మోడల్ మెరుగుపడగలదా?
AI పరిశోధనను Sakana AI ఎలా భిన్నంగా చూస్తుంది
Sakana AI ని 2023లో టోక్యోలో David Ha, Llion Jones, Ren Ito స్థాపించారు. Transformer ఆర్కిటెక్చర్‌ను పరిచయం చేసిన ప్రభావవంతమైన Attention Is All You Need పత్రానికి Jones సహ రచయిత. పరిణామం, అనుసరణ, సమష్టి మేధస్సు నుంచి Sakana AI స్ఫూర్తి పొందుతుంది. Evolutionary Model Merge, The AI Scientist, Darwin Gödel Machine దాని ప్రాజెక్టుల్లో ఉన్నాయి.
సాధారణ ప్రయోజన మోడల్ కుటుంబాలకు ప్రసిద్ధమైన ప్రయోగశాలలకు భిన్నంగా, Sakana AI AI వ్యవస్థలను ఏర్పాటు చేయడం, కలపడం, మెరుగుపరచడం అనే మార్గాలపై ప్రత్యేక ప్రాధాన్యం ఇస్తుంది. ఇది ప్రాధాన్యంలో తేడా మాత్రమే, ప్రత్యేకమైన సామర్థ్యం కాదు: Sakana AI కూడా మోడల్స్‌ను అభివృద్ధి చేస్తుంది, ఇతర ప్రయోగశాలలు కూడా ఏజెంట్లను, స్వయం మెరుగుదలను అధ్యయనం చేస్తున్నాయి.
| అంశం | Sakana AI | OpenAI | Anthropic | Google DeepMind |
|---|---|---|---|---|
| పరిశోధన ప్రాధాన్యం | సమష్టి మేధస్సు, పరిణామం, మోడల్ మెరుగుదల, స్వయంచాలక పరిశోధన | సాధారణ ప్రయోజన మోడల్స్, తార్కికత, ఏజెంట్లు, మోడల్ శిక్షణ | Claude మోడల్స్, కోడింగ్, తార్కికత, విశ్వసనీయత | బహుళ మాధ్యమ మోడల్స్, శాస్త్రీయ AI, తార్కికత, ఏజెంట్లు |
| ప్రతినిధి పని | MASS, The AI Scientist, Darwin Gödel Machine | GPT మోడల్ కుటుంబాలు, ఏజెంట్లు | Claude, Claude Code | Gemini, శాస్త్రీయ AI |
| ఇక్కడ సంబంధిత విధానం | సమన్వయంతో పనిచేసిన ఏజెంట్ల నుంచి, ఎంపిక చేసిన అనుభవం నుంచి నేర్చుకోవడం | శిక్షణ, పోస్ట్-ట్రైనింగ్, ఏజెంట్ అభివృద్ధి | శిక్షణ, పోస్ట్-ట్రైనింగ్, టూల్ వినియోగం, అలైన్‌మెంట్ | శిక్షణ, రీఇన్‌ఫోర్స్‌మెంట్ లెర్నింగ్, శోధన, శాస్త్రీయ ఆవిష్కరణ |
| బహుళ ఏజెంట్ల పాత్ర | ప్రధాన పరిశోధన అంశం, పంచుకునే మోడల్స్‌ను మెరుగుపరచడం సహా | పనుల, పరిశోధన వర్క్‌ఫ్లోలు | కోడింగ్, పరిశోధన వర్క్‌ఫ్లోలు | పరిశోధన, తార్కికత వర్క్‌ఫ్లోలు |
| MASS ఏమి నిరూపిస్తుంది | బహుళ ఏజెంట్ల పనిని పంచుకునే మోడల్‌కు శిక్షణ ఉదాహరణలుగా మార్చే పరీక్షించిన విధానం | ఈ అధ్యయనం అంచనా వేయలేదు | ఈ అధ్యయనం అంచనా వేయలేదు | ఈ అధ్యయనం అంచనా వేయలేదు |
ఈ పోలిక పరిశోధన దిశల గురించి మాత్రమే. ఇది మోడల్ సామర్థ్యాల ర్యాంకింగ్ కాదు, ప్రత్యేక పద్ధతులు ఉన్నాయనే వాదన కూడా కాదు.
Sakana AI గత పనిని MASS విస్తరిస్తుంది. ఏజెంట్ వ్యవస్థ ప్రవర్తనను మాత్రమే ఆప్టిమైజ్ చేయకుండా, సమర్థవంతమైన బృందం అనుభవం అంతర్లీన మోడల్‌ను మెరుగుపరచగలదా అని ఇది పరీక్షిస్తుంది.
MASS అంటే ఏమిటి?
MASS అంటే Multi-Agent Self-Supervision. అనేక ఏజెంట్లు ఒకే భాషా మోడల్‌ను ఉపయోగిస్తాయి, కానీ వాటికి వేర్వేరు పాత్రలు, సూచనలు ఉంటాయి. కలిసి అవి డేటాను సిద్ధం చేయవచ్చు, ఫలితాలను విశ్లేషించవచ్చు, కోడ్ రాయవచ్చు, ఒకదాని పనిని మరొకటి తనిఖీ చేయవచ్చు. ఈ సహకారానికి మెరుగైన ఏర్పాటును MASS వెతుకుతుంది, ఆ తర్వాత పని యొక్క ఎంపిక చేసిన రికార్డులపై పంచుకునే మోడల్‌కు శిక్షణ ఇస్తుంది.
తరచూ trajectories అని పిలిచే ఈ రికార్డులు, పనిని పరిష్కరించే ప్రక్రియలోని సందేశాలను, టూల్ కాల్స్‌ను, ఫలితాలను నమోదు చేస్తాయి. బృందం సమష్టి కార్యకలాపం నుంచి ఉపయోగకరమైన నమూనాలను మోడల్ పారామితుల్లోకి బదిలీ చేయడమే లక్ష్యం.
| సామర్థ్యం | సంప్రదాయ బహుళ ఏజెంట్ వర్క్‌ఫ్లో | Sakana AI MASS |
|---|---|---|
| అనేక ఏజెంట్లు సహకరించి పనులను పంచుకుంటాయి | తరచూ | అవును |
| బృందాలను, ఫలితాలను మూల్యాంకనం చేయవచ్చు | అవును | అవును |
| వర్క్‌ఫ్లో ఏర్పాటును మార్చవచ్చు | కొన్నిసార్లు | అవును |
| ఎంపిక చేసిన అమలులు మోడల్ శిక్షణ డేటాగా మారతాయి | సహజంగా ఉండదు | అవును |
| రౌండ్ల మధ్య పంచుకునే మోడల్ పారామితులు మారతాయి | సహజంగా ఉండదు | అవును |
| నవీకరించిన మోడల్ solver, optimizer, evaluator పాత్రలు నిర్వహిస్తుంది | సహజంగా ఉండదు | అవును |
| పునరావృత మెరుగుదల నిరూపణ | మారుతూ ఉంటుంది | రెండు చక్రాలు |
ముఖ్యమైన తేడా ఏమిటంటే, సాధారణ బహుళ ఏజెంట్ సహకారం మోడల్‌ను అస్సలు మార్చకుండానే ఫలితాన్ని మెరుగుపరచగలదు. బృందం ప్రయోజనంలో కొంత భాగాన్ని మోడల్ శిక్షణ ద్వారా నిలుపుకోవడానికి MASS ప్రయత్నిస్తుంది. AI సృష్టించిన పదార్థం నుంచి నేర్చుకున్న మొదటి వ్యవస్థ ఇది కాదు, వర్క్‌ఫ్లో శోధన, స్వీయ మూల్యాంకనం, మోడల్ నవీకరణల ఈ కలయికే దీని ప్రత్యేక తోడ్పాటు.
మెరుగుదల చక్రం ఎలా పనిచేస్తుంది
ఒకే పంచుకునే మోడల్ మూడు పాత్రల్లో పనిచేస్తుంది. task solver పరిశోధన పనిని ఉత్పత్తి చేస్తుంది, workflow optimizer బృందం పాత్రలను, క్రమాన్ని సవరిస్తుంది, evaluator పూర్తయిన ఫలితాలను పోలుస్తుంది.
మొదట, సహకారాన్ని మెరుగుపరచడం. optimizer ఒక వర్క్‌ఫ్లోను ప్రతిపాదిస్తుంది, ఏజెంట్లు దాన్ని అమలు చేస్తాయి, evaluator ఫలితాన్ని ఇప్పటివరకు ఉన్న ఉత్తమ పనితో పోలుస్తుంది. ఆ అభిప్రాయం ఆధారంగా optimizer వర్క్‌ఫ్లోను సవరిస్తుంది. ఈ దశలో మోడల్ weights స్థిరంగా ఉంటాయి: పని ఏర్పాటు మాత్రమే మారుతుంది.
తర్వాత, ఎంపిక చేసిన పని నుంచి నేర్చుకోవడం. MASS ఆశాజనక వర్క్‌ఫ్లోలను పదే పదే నడుపుతుంది, వచ్చిన పనిని ర్యాంక్ చేస్తుంది, supervised fine-tuning కోసం ఎంపిక చేసిన trajectories ను ఉంచుకుంటుంది. పరిశోధకులు పంచుకునే మోడల్‌పై LoRA fine-tuning ఉపయోగించారు. తర్వాతి రౌండ్‌లో నవీకరించిన మోడల్ మూడు పాత్రలనూ స్వీకరిస్తుంది.
Accessible text alternative for this figure
వరుసగా రెండు దశలు. దశ 1, మోడల్ weights స్థిరంగా ఉంచి సహకారాన్ని మెరుగుపరచడం: optimizer ఒక వర్క్‌ఫ్లోను ప్రతిపాదిస్తుంది, ఏజెంట్లు దాన్ని అమలు చేస్తాయి, evaluator ఫలితాన్ని ఇప్పటివరకు ఉన్న ఉత్తమంతో పోలుస్తుంది, optimizer వర్క్‌ఫ్లోను సవరిస్తుంది. దశ 2, ఎంపిక చేసిన పని నుంచి నేర్చుకోవడం: ఆశాజనక వర్క్‌ఫ్లోలను పదే పదే నడపడం, ఫలితాలను ర్యాంక్ చేయడం, ఎంపిక చేసిన trajectories ను ఉంచుకోవడం, పంచుకునే మోడల్‌ను LoRA తో fine-tune చేయడం.
మూడో పెట్టె అయిన నవీకరించిన పంచుకునే మోడల్ తర్వాతి రౌండ్‌లో మూడు పాత్రలనూ తీసుకుంటుంది: task solver, workflow optimizer, evaluator. దాని నుంచి దశ 1కు తిరిగి వచ్చే బాణం చక్రం పునరావృతం కావడాన్ని చూపుతుంది, పనులను, శిక్షణ పద్ధతిని, రక్షణ చర్యలను, మూల్యాంకన విధానాన్ని ఇప్పటికీ పరిశోధకులే రూపొందిస్తారని ఒక గమనిక చెబుతుంది. ఈ చిత్రం వివరించిన పద్ధతికి TechiesJournal ఇచ్చిన వివరణ, పరిశోధకుల రేఖాచిత్రం కాదు.
నవీకరించిన మోడలే తన తదుపరి శిక్షణ సంకేతాన్ని ఉత్పత్తి చేయడంలో పాల్గొంటుంది కాబట్టి దీన్ని recursive self-improvement అంటారు. అయినప్పటికీ పనులను, శిక్షణ పద్ధతిని, రక్షణ చర్యలను, మూల్యాంకన విధానాన్ని పరిశోధకులే రూపొందిస్తారు. ఈ ప్రయోగం అపరిమిత స్వయం అభివృద్ధిని నిరూపించడం లేదు.
Sakana AI వాస్తవంగా ఏమి పరీక్షించింది?
పరిశోధకులు qwen-code కోడింగ్ ఏజెంట్ వాతావరణంలో Qwen3.6-27B తో ప్రారంభించారు. వారి కృత్రిమ పరిశోధన సమూహంలో ఫైనాన్స్, రోబోటిక్స్, ఫార్మసీ రంగాల్లో 12 పనులు ఉన్నాయి. ప్రతిదానికీ కోడ్, సంఖ్యా ఫలితాలు, నివేదిక అవసరం. తొమ్మిది శిక్షణకు కేటాయించారు, మూడింటిని పోస్ట్-ట్రైనింగ్ నుంచి దూరంగా ఉంచారు. ఒక శిక్షణ పనిలో వర్క్‌ఫ్లో శోధన మెరుగుదల తేలేదు కాబట్టి చివరకు ఎనిమిది మాత్రమే శిక్షణ డేటాను ఇచ్చాయి.
వారు రెండు పూర్తి MASS చక్రాలను నడిపారు. అభ్యాస చక్రాన్ని మోడల్ సొంత evaluator నడిపించింది, పురోగతిని కొలవడానికి GPT-5.5, Claude Opus 4.8 బయటి evaluator లుగా పనిచేశాయి. ఆ బయటి తీర్పులను MASS శిక్షణ ప్రక్రియ నుంచి దూరంగా ఉంచారు. ఇది ప్రత్యేక అంచనాను ఇచ్చింది, అయితే AI ఆధారిత మూల్యాంకనానికి కూడా పరిమితులు ఉన్నాయి.
ప్రయోగాలు ఏమి చూపాయి
దూరంగా ఉంచిన మూడు కృత్రిమ పనులపై, బయటి evaluator లు మొదటి రౌండ్ మోడల్‌ను బేస్ మోడల్ కంటే 53.9% సందర్భాల్లో ఇష్టపడ్డారు. రెండు రౌండ్ల తర్వాత, రెండో రౌండ్ మోడల్ బేస్‌తో పోలికల్లో 69.9%, మొదటి రౌండ్ మోడల్‌తో పోలికల్లో 60.8% గెలిచింది.
| పోలిక | నివేదించిన బయటి న్యాయనిర్ణేత win rate |
|---|---|
| రౌండ్ 1 vs. బేస్ | 53.9% |
| రౌండ్ 2 vs. బేస్ | 69.9% |
| రౌండ్ 2 vs. రౌండ్ 1 | 60.8% |
win rate (గెలుపు రేటు) అంటే నిర్దిష్ట పోలికలో ఒక అవుట్‌పుట్‌ను ఎంత తరచుగా ఇష్టపడ్డారో చెప్పే కొలత. మోడల్ 69.9% ఎక్కువ తెలివైనదైందని దీని అర్థం కాదు.
ఈ అధ్యయనం ఆరు పబ్లిక్ benchmark లను కూడా పరిశీలించింది:
| Benchmark | బేస్ మోడల్ | రెండు MASS చక్రాల తర్వాత | దిశ |
|---|---|---|---|
| ScienceAgentBench | 28.8% | 31.7% | మెరుగుపడింది |
| MLR-Bench | 1.71 | 2.25 | మెరుగుపడింది |
| AstaBench E2E-Hard | 0.053 | 0.067 | మెరుగుపడింది |
| DSBench | 0.473 | 0.482 | స్వల్ప మెరుగుదల |
| Terminal-Bench 2.0 | 0.375 | 0.352 | తగ్గింది |
| SWE-bench Verified | 0.626 | 0.611 | తగ్గింది |
విలువలను పరిశోధకులు నివేదించినవి. వేర్వేరు benchmark లు వేర్వేరు స్కోరింగ్ స్కేళ్లను ఉపయోగిస్తాయి, వాటి ముడి విలువలను ఒకదానితో ఒకటి పోల్చకూడదు.
శిక్షణ పనులకు దగ్గరగా ఉన్న పరిశోధన ఆధారిత benchmark లలో బలమైన మెరుగుదలలు కనిపించాయి. Terminal-Bench 2.0, SWE-bench Verified లో తగ్గుదల చూస్తే, పరిశోధన పనుల్లో మెరుగైన పనితీరు సాఫ్ట్‌వేర్ ఇంజనీరింగ్‌కు ఆటోమేటిక్‌గా బదిలీ కాలేదని తెలుస్తోంది.
నాలుగు పరిశోధన benchmark లలో ఒక్కో అవుట్‌పుట్ token కు benchmark స్కోరు 1.2–1.6× ఎక్కువ అని Sakana AI అదనంగా నివేదించింది. అది సాధారణ మేధస్సులో 20–60% పెరుగుదల కాదు, శిక్షణ యొక్క మొత్తం కంప్యూటింగ్ ఖర్చులో అంతటి తగ్గుదల కూడా కాదు.
బహుళ ఏజెంట్ల నుంచి నేర్చుకోవడం ఎందుకు ముఖ్యం
శిక్షణ ఉదాహరణల పోలికలో, బహుళ ఏజెంట్ trajectories తో శిక్షణ పొందిన మోడల్ సుమారు 28.8 మిలియన్ supervised శిక్షణ token లు ప్రాసెస్ చేసిన తర్వాత బేస్ మోడల్‌పై 68.3% win rate సాధించింది. ఒకే ఏజెంట్‌తో శిక్షణ పొందిన పోలిక మోడల్ సుమారు 42 మిలియన్ supervised token ల తర్వాత 64.0% సాధించింది.
| శిక్షణ పదార్థం | Supervised token లు | బేస్‌పై win rate |
|---|---|---|
| ఒకే ఏజెంట్ trajectories | ~42 million | 64.0% |
| బహుళ ఏజెంట్ trajectories | ~28.8 million | 68.3% |
ఈ సందర్భంలో ఎంపిక చేసిన బృంద రికార్డులు ఒక్కో supervised token కు ఉపయోగకరమైన శిక్షణ సంకేతాలను ఇవ్వవచ్చని ఫలితాలు సూచిస్తున్నాయి. అయితే బహుళ ఏజెంట్ సమన్వయమే ఏకైక కారణమని అవి వేరు చేసి చూపవు: వర్క్‌ఫ్లోలు, సూచనలు, మూల్యాంకన ప్రక్రియలు కూడా భిన్నంగా ఉన్నాయి. అలాగే supervised token లలో trajectories ను ఉత్పత్తి చేయడం, వర్క్‌ఫ్లోలను వెతకడం, అవుట్‌పుట్‌లను మూల్యాంకనం చేయడం వంటి ఖర్చులు లేవు. MASS మొదటి నుంచి చివరి వరకు చవకైనదని నిరూపించబడలేదు.
మోడల్ తనను తాను మెరుగుపరచుకోవడంలో మెరుగుపడగలదా?
MASS పనిని పరిష్కరించే trajectories పై శిక్షణ ఇస్తుంది, అయినప్పటికీ వర్క్‌ఫ్లో ఆవిష్కరణలో, బయటి న్యాయనిర్ణేతలతో evaluator ఏకాభిప్రాయంలో కూడా మెరుగుదలలను పరిశోధకులు గమనించారు. తదుపరి రౌండ్ కేవలం పనులను పరిష్కరించడంపైనే కాక, మెరుగైన ఏర్పాట్లను కనుగొనడం, ఉపయోగకరమైన ఉదాహరణలను గుర్తించడంపై కూడా ఆధారపడుతుంది కాబట్టి ఈ రెండు పాత్రలు ముఖ్యం.
ఒక ప్రత్యేక ప్రయోగంలో, evaluation ను మాత్రమే మెరుగుపరచడం కంటే, బలమైన optimization మరియు evaluation కలిసి విజయవంతమైన వర్క్‌ఫ్లోలను వేగంగా కనుగొన్నాయి. వర్క్‌ఫ్లో శోధన అస్థిరంగా కూడా ఉండవచ్చు: మంచి అభ్యర్థి తర్వాత అధ్వాన్నమైన ఫలితాలు రావచ్చు.
పరీక్షించిన పరిస్థితిలో వివిధ పాత్రల్లో మెరుగుదలకు ఈ అధ్యయనం మద్దతు ఇస్తోంది. ఈ చక్రం శాశ్వతంగా మెరుగుపడుతూనే ఉంటుందని అది చూపడం లేదు.
MASS ఇంకా ఎక్కడ వెనుకబడి ఉంది
అసమాన బదిలీ. నాలుగు పరిశోధన benchmark లు మెరుగుపడ్డాయి, రెండు సాఫ్ట్‌వేర్ ఇంజనీరింగ్ benchmark లు తగ్గాయి. ఎంపిక చేసిన పనులపై వచ్చిన మెరుగుదలలు విస్తృత సామర్థ్య మెరుగుదలలు కావు.
కేవలం రెండు రౌండ్లు. పన్నెండు కృత్రిమ పరిశోధన పనులు, రెండు పూర్తి చక్రాలు దీర్ఘకాలిక లేదా వేగవంతమవుతున్న స్వయం మెరుగుదలను నిరూపించలేవు.
పంచుకునే బ్లైండ్ స్పాట్‌లు. శిక్షణ సమయంలో ఒకే మోడల్ పనిని ఉత్పత్తి చేస్తుంది, దాన్నే తీర్పు కూడా చెబుతుంది. అది బలహీన ఫలితాన్ని అంగీకరిస్తే, ఆ లోపం నేర్చుకునే విషయాన్ని ప్రభావితం చేయవచ్చు. ఒకే మోడల్‌ను పంచుకునే బహుళ ఏజెంట్లు స్వతంత్ర ధృవీకరణతో సమానం కావు.
తెలియని పూర్తి ఖర్చు. మోడల్ inference, పదే పదే ఏజెంట్ అమలు, మూల్యాంకనం, వర్క్‌ఫ్లో శోధన, fine-tuning అన్నీ వనరులను వినియోగిస్తాయి. పత్రంలోని token సామర్థ్య కొలతలు తక్కువ మొత్తం ఖర్చును నిరూపించవు.
అసంపూర్ణ పునరుత్పత్తి ప్యాకేజీ. Sakana AI కోడ్‌ను విడుదల చేసింది, కానీ నివేదించిన అన్ని ఫలితాలను నేరుగా రిపాజిటరీ నుంచే పునరుత్పత్తి చేయడానికి అవసరమైన ప్రతి benchmark అడాప్టర్‌ను లేదా ప్రయోగ కాన్ఫిగరేషన్‌ను విడుదల చేయలేదు.
frontier మోడల్ డెవలపర్ల కంటే MASS Sakana AI ని ఎక్కువ సామర్థ్యంగా చేస్తుందా?
MASS ఒక శిక్షణ పద్ధతి, కొత్త frontier సాధారణ ప్రయోజన మోడల్ కాదు. ఈ అధ్యయనం ఇప్పటికే ఉన్న Qwen మోడల్‌ను నిర్దిష్ట పరిస్థితుల్లో మెరుగుపరిచింది. ఫలితంగా వచ్చిన మోడల్ సాధారణ స్వతంత్ర benchmark లలో ప్రస్తుత GPT, Claude, Gemini మోడల్స్‌ను మించిందని అది చూపలేదు.
దీని తోడ్పాటు మరింత పరిమితమైనది, అయినా విలువైనది: బహుళ ఏజెంట్ అమలు రికార్డులు సంబంధిత పనుల్లో భవిష్యత్ పనిని మెరుగుపరిచే శిక్షణ సంకేతాలను ఇవ్వగలవు. ఈ పద్ధతి పెద్ద మోడల్స్‌కు, వేర్వేరు పనులకు, ఎన్నో ఎక్కువ రౌండ్లకు విస్తరిస్తుందా అనేది ఇంకా పరీక్షించాల్సి ఉంది.
ఈ పరిశోధన AI అభివృద్ధికి ఏమి సూచిస్తుంది
బహిరంగ స్వభావం గల పనుల కోసం AI కి శిక్షణ ఇవ్వడంలో కష్టమైన భాగం ఏ పని నిజంగా మెరుగైనదో నిర్ణయించడం. స్పష్టంగా ధృవీకరించగల సమాధానాలున్న పనులకు భిన్నంగా, పరిశోధన నివేదికలకు, సంక్లిష్ట విశ్లేషణలకు ఖరీదైన ప్రయోగాలు లేదా నిపుణుల సమీక్ష అవసరం కావచ్చు.
ఏజెంట్ల బృందాలు ఉపయోగకరమైన అనుభవాన్ని సృష్టించగలవా, ఆ అనుభవంలో కొంత భాగాన్ని మోడల్ ఎంపిక చేసుకుని నేర్చుకోగలదా అని MASS పరీక్షిస్తుంది. పరిశోధన పనులపై ఈ అవకాశానికి ఫలితాలు మద్దతు ఇస్తున్నాయి, అదే సమయంలో నమ్మదగని తీర్పులు తప్పులను ఎలా బలపరచగలవో కూడా చూపుతున్నాయి.
తదుపరి పరీక్షలు స్పష్టమే: విస్తృత పనులు, స్వతంత్ర పునరావృత్తి, పూర్తి ఖర్చు లెక్కింపు, ఎక్కువ కాలం నడిచే మెరుగుదల ప్రయోగాలు. ప్రస్తుతానికి, సమష్టి ఏజెంట్ అనుభవం ఉపయోగకరమైన శిక్షణ పదార్థంగా మారగలదని MASS చూపిస్తోంది, AI పరిమితులు లేకుండా తనను తాను మెరుగుపరచుకోవడం నేర్చుకుందని కాదు.
మూలాలు మరియు మరింత చదవడానికి
సంపాదకీయ మూలాల కటాఫ్: 14 October 2026. ప్రతి మూలాన్ని 14 October 2026న తెరిచి తనిఖీ చేశాం. ఫలితాలు రచయితలు నివేదించినట్లే ఉన్నాయి, వాటిని స్వతంత్రంగా పునరుత్పత్తి చేయలేదు.
- Sakana AI: MASS research announcement. 2026 అక్టోబర్.
- Lee et al.: Recursive Self-Improvement through Multi-Agent Self-Supervision. అసలు పరిశోధన పత్రం, 2026 అక్టోబర్.
- Sakana AI: MASS technical research explanation. పద్ధతి, ప్రయోగాలు, పరిమితులు.
- SakanaAI/mass: Public code and reproducibility notes. కోడ్ రిపాజిటరీ.
- Sakana AI: Company information. నేపథ్యం, స్థాపకులు.
- Sakana AI: Evolutionary Model Merge. సంబంధిత పరిశోధన.