Sakana AI modelleri çoklu etmenle geliştiren MASS yöntemini duyurdu

Sakana AI araştırmacıları, yapay zeka modellerinin insan gözetimi olmadan kendi kendilerini geliştirmelerini sağlayan MASS (Multi-Agent Self-Supervision) yöntemini tanıttı. Yaklaşım, tek bir dil modelini aynı anda görev çözücü, iş akışı optimize edicisi ve değerlendirici rollerinde konumlandırıyor. Kurulan sistemde model, çoklu etmen iş akışlarını optimize edip bu süreçten elde ettiği kolektif zekayı model ağırlıklarına aktarıyor ve döngüsel öz gelişim (RSI) için kendi denetim sinyalini üretiyor.

Araştırmacılar, Qwen3.6-27B temel modeli üzerinde finans, robotik ve eczacılık alanlarındaki 12 karmaşık araştırma göreviyle iki tam tur eğitim gerçekleştirdi. Test görevlerinde temel modele karşı kazanma oranı ilk turda yüzde 53,9 iken ikinci turun ardından yüzde 69,9 seviyesine çıktı. Bağımsız değerlendirmelerde MLR-Bench, DSBench, ScienceAgentBench ve AstaBench gibi genel araştırma testlerinde çıktı belirteci başına başarı puanı temel modele kıyasla 1,2 ila 1,6 kat artış gösterdi.

Çalışma, çoklu etmen sistemlerinden elde edilen verilerin tek etmenli eğitim izlerine kıyasla yüzde 31 daha az denetimli belirteçle daha yüksek performans sağladığını ortaya koydu. Araştırmacılar, öz gelişim döngüsündeki asıl darboğazın değerlendiriciden ziyade optimize edici model olduğunu ve sistemin tek bir model üzerinde koşulmasının paylaşılan kör noktalar gibi güvenlik riskleri barındırdığını belirtti.