Multi-Agent Self-Supervision (MASS) ermöglicht rekursives Selbstverbessern (RSI), indem ein einzelnes KI-Modell gleichzeitig als Optimierer und sein eigener Bewerteter dient. Dieser homogene Ansatz löst die Herausforderung, über menschliches Wissen hinauszugehen, wo menschliche Experten Schwierigkeiten haben können, Ergebnisse bei nicht verifizerbaren Aufgaben zu bewerten. MASS optimiert wiederholt Multi-Agent-Workflows, destilliert kollektive Intelligenz aus Multi-Agent-Systemen und verwendet sie als Selbstüberwachungssignal. Der Optimierer sucht nach dem besten Team-Workflow unter Verwendung von Feedback vom Bewerteter, trainiert dann den Executor an den selbstbewerteten besten Team-Ausführungen. Das aktualisierte Modell übernimmt alle drei Rollen und wiederholt den Prozess, wobei der Score pro Ausgabetoken auf den Basismodell-Wert in Forschungsbenchmarks verbessert wird. Der Ansatz zieht Inspiration aus menschlichen Gesellschaften, wo kollektive Errungenschaften als Lernstartpunkte dienen, und von Thomas Kuhns Konzept geteilter Beispiele, die wissenschaftliche Problemlösung ermöglichen.
Schlüssel-Entitäten: Unternehmen: Sakana AI | Personen: Thomas Kuhn
Quelle: Hacker News · Zusammengefasst von HeadlinesBriefing