👥 معرفی MASS: خودآموزی هوش مصنوعی از طریق خرد جمعی
پژوهشگران شرکت Sakana AI و دانشگاه UC Berkeley روشی به نام MASS (خودنظارتی چندعاملی) معرفی کرده‌اند؛ یک روش خودبهسازی بازگشتی که در آن یک مدل واحد هم‌زمان نقش اجراکننده، بهینه‌ساز و ارزیاب را بازی می‌کند.
🔁 این روش چطور کار می‌کند؟
برخلاف روش‌های معمول که به یک ارزیاب بیرونی یا داده برچسب‌خورده نیاز دارند، MASS از دو حلقه تودرتو استفاده می‌کند:
حلقه درونی: مدل به‌طور مکرر چندین چیدمان مختلف از عامل‌ها را پیشنهاد می‌دهد، اجرا می‌کند و خودش ارزیابی می‌کند تا بهترین «گردش‌کار» را پیدا کند. این چیدمان‌ها مثل گراف‌های محاسباتی هستند که مسیر تبادل اطلاعات بین نقش‌ها را تعیین می‌کنند.
حلقه بیرونی: مدل روی بهترین مسیرهایی که در حلقه درونی کشف شده، تنظیم دقیق با نظارت می‌بیند. سپس مدل بهبودیافته، در دور بعدی به‌عنوان بهینه‌ساز و ارزیاب بهتری عمل می‌کند و چرخه دوباره شروع می‌شود.
📊 نتایج عددی
پژوهشگران با مدل Qwen3.6-27B دو دور کامل MASS را اجرا کردند:
· نرخ برد در آزمون‌ها از ۵۳.۹٪ به ۶۹.۹٪ در برابر مدل پایه رسید.
· عملکرد به ازای هر توکن خروجی بین ۱.۲ تا ۱.۶ برابر در چهار بنچمارک عمومی بهبود یافت: MLR-Bench، DSBench و ScienceAgentBench.
· مسیرهای چندعاملی سیگنال آموزشی متراکم‌تری تولید می‌کنند: یک مدل دانش‌آموز که با این مسیرها آموزش دیده، از مدلی که با ۱.۴ برابر توکن بیشتر و مسیرهای تک‌عاملی آموزش دیده، بهتر عمل می‌کند.
· در مقایسه داخلی، مسیرهای چندعاملی ۶۸.۳٪ در مقابل ۶۴.۰٪ برای تک‌عاملی — با ۳۱٪ توکن کمتر.
⚙️ چه چیزی در طول خودبهسازی تغییر می‌کند؟
پژوهشگران مشاهده کردند که با پیشرفت MASS، نقش‌ها و دستورالعمل‌های صریح اهمیت خود را از دست می‌دهند، در حالی که قراردادها و ترتیب فراخوانی ابزارها برجسته‌تر می‌شوند. یعنی مدل یاد می‌گیرد به‌جای تکیه بر توضیحات نقش، روی ساختار هماهنگی تمرکز کند.
🔍 گلوگاه اصلی RSI
نکته کلیدی این پژوهش این است که گلوگاه خودبهسازی بازگشتی، ارزیاب نیست؛ بهینه‌ساز است. به بیان ساده، مشکل اصلی این نیست که مدل نمی‌تواند کیفیت کار خودش را بسنجد، بلکه این است که نمی‌تواند راه‌حل‌های بهتر و متنوع‌تری برای بهبود خودش تولید کند.
📈 هم‌راستایی با داوران بیرونی
توافق مدل با داوران انسانی یا بیرونی از ۷۳٪ به ۹۳٪ افزایش یافت. یعنی مدل در طول خودبهسازی، نه‌تنها بهتر می‌شود، بلکه معیارهایش هم به معیارهای انسانی نزدیک‌تر می‌شود.
⚠️ یک هشدار ایمنی
پژوهشگران اشاره می‌کنند که نقاط کور مشترک در مسیر خودبهسازی می‌توانند در نسخه‌های بعدی تثبیت شوند. اگر مدل در دور اول یک سوگیری داشته باشد و همان سوگیری در ارزیابی‌های خودش هم بازتاب پیدا کند، این سوگیری در دورهای بعدی عمیق‌تر می‌شود. این یکی از پرسش‌های کلیدی ایمنی در حوزه خودبهسازی بازگشتی است.
🔗 arXiv:2610.12176
#هوش_مصنوعی #MASS #RSI #SakanaAI #پژوهش
🆔 @asrgooyeshpardaz
پژوهشگران شرکت Sakana AI و دانشگاه UC Berkeley روشی به نام MASS (خودنظارتی چندعاملی) معرفی کرده‌اند؛ یک روش خودبهسازی بازگشتی که در آن یک مدل واحد هم‌زمان نقش اجراکننده، بهینه‌ساز و ارزیاب را بازی می‌کند.
🔁 این روش چطور کار می‌کند؟
برخلاف روش‌های معمول که به یک ارزیاب بیرونی یا داده برچسب‌خورده نیاز دارند، MASS از دو حلقه تودرتو استفاده می‌کند:
حلقه درونی: مدل به‌طور مکرر چندین چیدمان مختلف از عامل‌ها را پیشنهاد می‌دهد، اجرا می‌کند و خودش ارزیابی می‌کند تا بهترین «گردش‌کار» را پیدا کند. این چیدمان‌ها مثل گراف‌های محاسباتی هستند که مسیر تبادل اطلاعات بین نقش‌ها را تعیین می‌کنند.
حلقه بیرونی: مدل روی بهترین مسیرهایی که در حلقه درونی کشف شده، تنظیم دقیق با نظارت می‌بیند. سپس مدل بهبودیافته، در دور بعدی به‌عنوان بهینه‌ساز و ارزیاب بهتری عمل می‌کند و چرخه دوباره شروع می‌شود.
📊 نتایج عددی
پژوهشگران با مدل Qwen3.6-27B دو دور کامل MASS را اجرا کردند:
· نرخ برد در آزمون‌ها از ۵۳.۹٪ به ۶۹.۹٪ در برابر مدل پایه رسید.
· عملکرد به ازای هر توکن خروجی بین ۱.۲ تا ۱.۶ برابر در چهار بنچمارک عمومی بهبود یافت: MLR-Bench، DSBench و ScienceAgentBench.
· مسیرهای چندعاملی سیگنال آموزشی متراکم‌تری تولید می‌کنند: یک مدل دانش‌آموز که با این مسیرها آموزش دیده، از مدلی که با ۱.۴ برابر توکن بیشتر و مسیرهای تک‌عاملی آموزش دیده، بهتر عمل می‌کند.
· در مقایسه داخلی، مسیرهای چندعاملی ۶۸.۳٪ در مقابل ۶۴.۰٪ برای تک‌عاملی — با ۳۱٪ توکن کمتر.
⚙️ چه چیزی در طول خودبهسازی تغییر می‌کند؟
پژوهشگران مشاهده کردند که با پیشرفت MASS، نقش‌ها و دستورالعمل‌های صریح اهمیت خود را از دست می‌دهند، در حالی که قراردادها و ترتیب فراخوانی ابزارها برجسته‌تر می‌شوند. یعنی مدل یاد می‌گیرد به‌جای تکیه بر توضیحات نقش، روی ساختار هماهنگی تمرکز کند.
🔍 گلوگاه اصلی RSI
نکته کلیدی این پژوهش این است که گلوگاه خودبهسازی بازگشتی، ارزیاب نیست؛ بهینه‌ساز است. به بیان ساده، مشکل اصلی این نیست که مدل نمی‌تواند کیفیت کار خودش را بسنجد، بلکه این است که نمی‌تواند راه‌حل‌های بهتر و متنوع‌تری برای بهبود خودش تولید کند.
📈 هم‌راستایی با داوران بیرونی
توافق مدل با داوران انسانی یا بیرونی از ۷۳٪ به ۹۳٪ افزایش یافت. یعنی مدل در طول خودبهسازی، نه‌تنها بهتر می‌شود، بلکه معیارهایش هم به معیارهای انسانی نزدیک‌تر می‌شود.
⚠️ یک هشدار ایمنی
پژوهشگران اشاره می‌کنند که نقاط کور مشترک در مسیر خودبهسازی می‌توانند در نسخه‌های بعدی تثبیت شوند. اگر مدل در دور اول یک سوگیری داشته باشد و همان سوگیری در ارزیابی‌های خودش هم بازتاب پیدا کند، این سوگیری در دورهای بعدی عمیق‌تر می‌شود. این یکی از پرسش‌های کلیدی ایمنی در حوزه خودبهسازی بازگشتی است.
🔗 arXiv:2610.12176
#هوش_مصنوعی #MASS #RSI #SakanaAI #پژوهش
🆔 @asrgooyeshpardaz
arXiv.org
Recursive Self-Improvement through Multi-Agent Self-Supervision
Recursive self-improvement (RSI) of a model on non-verifiable tasks, such as open-ended research, faces a supervision bottleneck when its outputs exceed what even human experts can reliably...