Recursive self-improvement through collective intelligence

Multi-Agent Self-Supervision (MASS) enables recursive self-improvement (RSI) by using a single AI model as both the optimizee and its own optimizer and evaluator. This homogeneous approach addresses the challenge of advancing beyond human knowledge, where human experts may struggle to assess results on non-verifiable tasks. MASS repeatedly optimizes multi-agent workflows, distills collective intelligence from multi-agent systems, and uses it as a self-supervision signal.

The optimizer searches for the best team workflow using evaluator feedback, then trains the executor on self-judged best team executions. The updated model fills all three roles and repeats the process, improving score per output token over the base model on research benchmarks. The approach draws inspiration from human societies, where collective achievements serve as learning starting points, and from Thomas Kuhn's concept of shared examples enabling scientific problem-solving.

يمكّن التطور الذاتي المتكرر (RSI) من خلال استخدام نموذج AI واحد كمحسن ومقيم لنفسه. يحل هذا النهج المتجانس المشكلة في تجاوز المعرفة البشرية، حيث قد يواجه الخبراء البشريون صعوبة في تقييم النتائج على مهام غير قابلة للتحقق. يقوم MASS بتحسين تدفقات العمل المتعددة العناصر بشكل متكرر، ويستخلص الذكاء الجماعي من أنظمة العناصر المتعددة، ويستخدمه كإشارة للرفع الذاتي. يبحث المحسن عن أفضل تدفق عمل الفريق باستخدام ملاحظات المقيم، ثم يدرب التنفيذ على تنفيذات الفريق الأفضل حسب التقييم الذاتي. يملأ النموذج المحدث هذه الأدوار الثلاث ويكرر العملية، محسّزًا النتيجة عبر رمز المخرج على مقياس البحث. يستلهم هذا النهج المجتمعات البشرية، حيث تُقدّم الإنجازات الجماعية كنقطة بداية للتعلم، وكما في مفهوم توماس كوهن (Thomas Kuhn) حول مثالات مشتركة تمكن من حل المشكلات العلمية.

الكيانات الرئيسية: الشركات: Sakana AI | الناس: Thomas Kuhn

الأسئلة الشائعة: كيف يمكن MASS من التحسين الذاتي المتكرر دون ملاحظات بشرية؟

يستخدم MASS نموذج لغة مشترك واحد كحل للمهمة، ومحسن لتدفقات العمل، ومقيم. يبحث المحسن عن أفضل تدفق عمل للعناصر المتعددة باستخدام ملاحظات المقيم، ثم يدرب التنفيذ على تنفيذات الفريق الأفضل المقيم عليها أنفسه. يكرر النموذج المحدث هذه الأدوار الثلاث ويعيد العملية، مُحقّقًا إشارة للرفع الذاتي من خلال استخلاص الخبرة الجماعية للفريق في النموذج المشترك.

السؤال: كيف يمكن MASS من التحسين الذاتي المتكرر دون ملاحظات بشرية؟

الجواب: يستخدم MASS نموذج لغة مشترك واحد كحل للمهمة، ومحسن لتدفقات العمل، ومقيم. يبحث المحسن عن أفضل تدفق عمل للعناصر المتعددة باستخدام ملاحظات المقيم، ثم يدرب التنفيذ على تنفيذات الفريق الأفضل المقيم عليها أنفسه. يكرر النموذج المحدث هذه الأدوار الثلاث ويعيد العملية، مُحقّقًا إشارة للرفع الذاتي من خلال استخلاص الخبرة الجماعية للفريق في النموذج المشترك.

মল্টি-এজেন্ট সেলফ-সুপারভিজন (MASS) একক AI মডেলকে আপনেই অপটিমাইজার ও ইভ্যালুয়েটর হিসেবে ব্যবহার করে রিকার্সিভ সেলফ-ইমপ্রুফমেন্ট (RSI) সম্ভব করে। এই হোমোজিনিয়াস পদ্ধতি মানুষের জ্ঞানের মধ্য দিয়ে অতিক্রম করার চ্যালেঞ্জটি সমাধান করে, যেখানে মানুষের বিশেষজ্ঞরা গ্যার-ভেরিফিয়েবল টাস্কগুলিতে ফলাফলের মূল্যায়ন করতে দুঃখে পড়তে পারেন। MASS পুনরাবৃত্তম ভাবে মল্টি-এজেন্ট ওয়ার্কফ্লোগুলিকে অপটিমাইজ করে, মল্টি-এজেন্ট সিস্টেমগুলির সমষ্টিগত বুদ্ধিমত্তা বের করে এবং সেটিকে সেলফ-সুপারভিজন সিগন্যাল হিসেবে ব্যবহার করে। অপটিমাইজার ইভ্যালুয়েটরের ফিডব্যাক ব্যবহার করে সর্বোত্তম টিম ওয়ার্কফ্লো খুঁজে পায়, তারপর সেলফ-জুডেড বেস্ট টিম এক্সিকিউশনগুলিতে এক্সিকিউটর প্রশিক্তভাবে প্রশিক্ষণ দেয়। আপডেটেড মডেলটি এই তিনটি ভূমিকা পালন করে এবং প্রক্রিয়াটি পুনরাবৃত্ত করে, রিসার্চ বেঞ্চমার্কগুলিতে বেস মডেলের তুলনায় আউটপুট টোকেন প্রতি স্কোরে সুধার ঘটায়। এই পদ্ধতি মানব সমাজগুলি থেকে প্রেরণ নেয়, যেখানে সমষ্টিগত সাফল্যগুলি শিখনের শুরুযোগের জন্য প্রয়োগ হয়, এবং থমাস কুহের (Thomas Kuhn) শেয়ার্ড এক্সাম্পলস ধারণা থেকে, যা বিজ্ঞানীয় সমস্যার সমাধানকে সম্ভব করে।

কী এন্টিটি: কম্পানি: Sakana AI | মানুষ: Thomas Kuhn

প্রশ্নাবলি: MASS কীভাবে মানব ফিডব্যাক ছাড়া রিকার্সিভ সেলফ-ইমপ্রুফমেন্ট করে?

MASS একক শেয়ার্ড ল্যাংগুয়েজ মডেলকে টাস্ক সলভার, ওয়ার্কফ্লো অপটিমাইজার, ও ইভ্যালুয়েটর হিসেবে ব্যবহার করে। অপটিমাইজার ইভ্যালুয়েটরের ফিডব্যাক ব্যবহার করে সর্বোত্তম মল্টি-এজেন্ট ওয়ার্কফ্লো খুঁজে পায়, তারপর সেলফ-জুডেড বেস্ট টিম এক্সিকিউশনগুলিতে এক্সিকিউটর প্রশিক্তভাবে প্রশিক্ষণ দেয়। আপডেটেড মডেলটি এই তিনটি ভূমিকা পালন করে প্রক্রিয়াটি পুনরাবৃত্ত করে, সমষ্টিগত টিম অভিজ্ঞতা শেয়ার্ড মডেলে ডিস্টিল করে একটি সেলফ-সুপারভিজন সিগন্যাল তৈরি করে।

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

Multi-Agent Self-Supervision (MASS) permite la mejora recursiva autorregulada (RSI) usando un solo modelo de IA como optimizador y evaluador de sí mismo. Este enfoque homogéneo aborda el desafío de avanzar más allá del conocimiento humano, donde los expertos humanos pueden tener dificultades para evaluar resultados en tareas no verificables. MASS optimiza repetidamente flujos de trabajo de multiagentes, destila la inteligencia colectiva de sistemas multiagentes y lo usa como señal de autorregulación. El optimizador busca el mejor flujo de trabajo de equipo usando retroalimentación del evaluador, luego entrena al ejecutor en las mejores ejecuciones del equipo autoevaluadas. El modelo actualizado ocupa los tres roles y repite el proceso, mejorando la puntuación por token de salida sobre el modelo base en pruebas de investigación. El enfoque se inspira en las sociedades humanas, donde los logros colectivos sirven como puntos de partida para el aprendizaje, y del concepto de Thomas Kuhn sobre ejemplos compartidos que habilitan la resolución de problemas científicos.

Entidades clave: Empresas: Sakana AI | Personas: Thomas Kuhn

Preguntas frecuentes: ¿Cómo permite MASS la mejora recursiva autorregulada sin feedback humano?

MASS utiliza un solo modelo de lenguaje compartido como solucionador de tareas, optimizador de flujos de trabajo y evaluador. El optimizador busca el mejor flujo de trabajo multiagente usando retroalimentación del evaluador, luego entrena al ejecutor en ejecuciones del mejor equipo autoevaluado. El modelo actualizado ocupa los tres roles y repite el proceso, creando una señal de autorregulación al destilar la experiencia colectiva del equipo en el modelo compartido.

Multi-Agent Self-Supervision (MASS) permet l'amélioration récursive autorisée (RSI) en utilisant un seul modèle d'IA comme optimiseur et évaluateur de lui-même. Cette approche homogène aborde le défi d'aller au-delà du savoir humain, où les experts humains peuvent avoir du mal à évaluer les résultats sur des tâches non vérifiables. MASS optimise répétitivement les flux de travail multi-agents, distille l'intelligence collective des systèmes multi-agents et l'utilise comme signal de supervision autorisée. L'optimiseur recherche le meilleur flux de travail d'équipe à l'aide des rétroactions de l'évaluateur, puis entraîne l'exécuteur sur les meilleures exécutions d'équipe auto-évaluées. Le modèle mis à jour occupe les trois rôles et répète le processus, améliorant le score par jeton de sortie par rapport au modèle de base sur les benchmarks de recherche. Cette approche s'inspire des sociétés humaines, où les réalisations collectives servent de points de départ pour l'apprentissage, et de la concept de Thomas Kuhn des exemples partagés permettant la résolution de problèmes scientifiques.

Entités clés : Entreprises : Sakana AI | Personnes : Thomas Kuhn

FAQ : Comment MASS permet-il l'amélioration récursive autorisée sans feedback humain ?

MASS utilise un seul modèle de langage partagé comme solveur de tâches, optimiseur de flux de travail et évaluateur. L'optimiseur recherche le meilleur flux de travail multi-agents à l'aide des rétroactions de l'évaluateur, puis entraîne l'exécuteur sur les exécutions des meilleures équipes auto-évaluées. Le modèle mis à jour occupe les trois rôles et répète le processus, créant un signal de supervision autorisée en distillant l'expérience collective de l'équipe dans le modèle partagé.

मल्टी-एजेंट सेलफ-सुपरविजन (MASS) एक सिंगल AI मॉडल को अपने आप के ऑप्टिमाइज़र और एवलुएटर के रूप में उपयोग करके पुनरावृत्त स्व-सुधार (RSI) को संभव बनाता है। यह होमोजीनस अप्रोच मानव ज्ञान के पार गुजरने के चुनौतियों का समाधान करता है, जहां हमनंस एक्सपर्ट्स गैर-वेरिफ़ियेबल टास्क्स पर परिणामों की मूल्यांकन करने में कठिनाई महसूस कर सकते हैं। MASS दोहराव में मल्टी-एजेंट वर्कफ़्लो को ऑप्टिमाइज़ करता है, मल्टी-एजेंट सिस्टम्स की कॉलेक्टिव इंटेलिजेंस को डिस्टिल करता है, और इसे सेलफ-सुपरविजन सिग्नल के रूप में उपयोग करता है। ऑप्टिमाइज़र एवलुएटर फीडबैक का उपयोग करके सबसे अच्छे टीम वर्कफ़्लो की खोज करता है, फिर सेल्फ-ज़ुदेईड बेस्ट टीम एक्ज़ीक्यूशन्स पर एक्ज़ीक्यूटर को ट्रेन करता है। अपडेटेड मॉडल सभी तीन भूमिकाएँ निभाए और प्रक्रिया को दोहराव देता है, जो रिसर्च बेंचमार्क्स में बेस मॉडल के अनुसार प्रति आउटपुट टोकन स्कोर में सुधार दर्शाता है। यह एप्रोच मानव समाजों से प्रेरित है, जहां कॉलेक्टिव अचारक्स लर्निंग स्टार्टिंग पॉइंट के रूप में काम करते हैं, और थॉमास कुहन के शेयर्ड एग्ज़म्प्ल्स के संकल्पना से, जो साइंस्टिफ़िक प्रॉब्लेम-सॉल्विंग को सक्षम बनाता है।

की एंटिटीज़: कंपनियाँ: Sakana AI | लोग: Thomas Kuhn

Multi-Agent Self-Supervision (MASS) memungkinkan peningkatan diri rekursif (RSI) dengan menggunakan satu model AI sebagai optimizer dan penilai untuk dirinya sendiri. Pendekatan homogen ini mengatasi tantangan maju di luar pengetahuan manusia, di mana ahli manusia mungkin kesulitan menilai hasil pada tugas yang tidak dapat diverifikasi. MASS secara berulang mengoptimalkan alur kerja multi-agen, menyaring kecerdasan kolektif dari sistem multi-agen, dan menggunakannya sebagai sinyal supervisi diri. Optimizer mencari alur kerja tim terbaik menggunakan umpan balik penilai, kemudian melatih eksekutor pada eksekusi tim terbaik yang dinilai sendiri. Model yang diperbarui mengisi semua tiga peran dan mengulang proses, meningkatkan skor per token output dibandingkan model dasar pada benchmark penelitian. Pendekatan ini diinspirasi oleh masyarakat manusia, di mana pencapaian kolektif berfungsi sebagai titik awal pembelajaran, dan dari konsep Thomas Kuhn tentang contoh bersama yang memungkinkan penyelesaian masalah ilmiah.

Entitas Kunci: Perusahaan: Sakana AI | Orang: Thomas Kuhn

マルチエージェント自己監視（MASS）は、単一のAIモデルを自らの最適化者と評価者として使用し、再帰的自己改善（RSI）を可能にします。このホモジニアスなアプローチは、人間の知識を超える挑戦に対処し、人間の専門家が非検証可能なタスクでの結果を評価するのを困難にするという問題を解決します。MASSは多エージェントワークフローを繰り返し最適化し、多エージェントシステムからの集団知恵を蒸留し、それを自己監視シグナルとして使用します。最適化者は評価者のフィードバックを使用して最良のチームワークフローを検索し、その後自己評価された最良のチーム実行結果でエグゼキュータをトレーニングします。更新されたモデルはこの3つの役割を果たし、プロセスを繰り返し、研究ベンチマークにおいてベースモデルに比べて出力トークンあたりのスコアを向上させます。このアプローチは人間社会からインスピレーションを得ており、集団の成果が学習の起点となること、そしてトマス・クェン（Thomas Kuhn）の共有例が科学的問題解決を可能にするという概念からも構成されています。

キーエンティティ：企業：Sakana AI | 人物：Thomas Kuhn

FAQ：人間のフィードバックなしでMASSは如何にして再帰的自己改善を可能にするのか？

MASSは、タスクソルバー、ワークフローオプティマイザー、評価者として単一の共有言語モデルを使用します。最適化者は評価者のフィードバックを使用して最良のマルチエージェントワークフローを検索し、その後自己評価された最良のチーム実行結果でエグゼキュータをトレーニングします。更新されたモデルはこの3つの役割を果たし、プロセスを繰り返し、チームの集団経験を共有モデルに蒸留することで自己監視シグナルを作成します。

Multi-Agent Self-Supervision (MASS) permite a melhoria recursiva autorregulada (RSI) usando um único modelo de IA como otimizador e avaliador de si mesmo. Essa abordagem homogênea aborda o desafio de avançar além do conhecimento humano, onde os especialistas humanos podem ter dificuldade em avaliar resultados em tarefas não verificáveis. O MASS repetidamente otimiza fluxos de trabalho de múltiplos agentes, destila a inteligência coletiva de sistemas de múltiplos agentes e o utiliza como sinal de autor-supervisão. O otimizador procura o melhor fluxo de trabalho da equipe usando o feedback do avaliador, em seguida treina o executor nas melhores execuções da equipe autoavaliadas. O modelo atualizado ocupa as três funções e repete o processo, melhorando a pontuação por token de saída em relação ao modelo base em benchmarks de pesquisa. A abordagem se inspira nas sociedades humanas, onde conquistas coletivas servem como pontos de partida para aprendizagem, e do conceito de Thomas Kuhn de exemplos compartilhados que permitem a resolução de problemas científicos.

Entidades-chave: Empresas: Sakana AI | Pessoas: Thomas Kuhn

Multi-Agent Self-Supervision (MASS) обеспечивает рекурсивное самоулучшение (RSI) путем использования одной модели ИИ одновременно как оптимизатора и собственного оценщика. Этот однородный подход решает задачу продвижения за пределы человеческих знаний, где человеческие эксперты могут испытывать трудности с оценкой результатов на непроверяемых задачах. MASS повторяет оптимизацию многоагентных рабочих процессов, дистиллирует коллективный интеллект многоагентных систем и использует его как сигнал самосупервизии. Оптимизатор ищет лучший рабочий процесс команды, используя обратную связь от оценщика, затем обучает исполнителя на лучших исполнениях команды с самопроверенной оценкой. Обновленная модель занимает все три роли и повторяет процесс, повышая оценку на каждый выходной токен по сравнению с базовой моделью на исследовательских бенчмарках. Подход вдохновлен человеческими обществами, где коллективные достижения служат точками начала обучения, и концепцией Томаса Куна о совместных примерах, обеспечивающих научное решение проблем.

Ключевые сущности: Компании: Sakana AI | Люди: Thomas Kuhn

多智能体自监督（MASS）通过将单个AI模型同时用作优化者和自我评估者，实现递归自我改进（RSI）。这种同质化方法解决了超越人类知识的挑战，人类专家在非可验证任务上可能难以评估结果。MASS不断优化多智能体工作流程，提炼多智能体系统的集体智慧，并将其作为自监督信号。优化者根据评估者反馈搜索最佳团队工作流程，然后在自判断最佳团队执行结果上训练执行者。更新后的模型填补这三个角色，并重复该过程，使其在研究基准测试中的输出标记得分相对于基础模型提升。该方法受人类社会启发，集体成就作为学习起点；也受托马斯·库恩（Thomas Kuhn）关于共享实例促进科学问题解决的概念影响。

关键实体：公司：Sakana AI | 人物：Thomas Kuhn

常见问题：MASS如何在没有人类反馈的情况下实现递归自我改进？

MASS使用单个共享语言模型作为任务求解者、工作流程优化者和评估者。优化者根据评估者反馈搜索最佳多智能体工作流程，然后在自判断最佳团队执行结果上训练执行者。更新后的模型填补这三个角色并重复该过程，通过将集体团队经验提炼到共享模型中，形成自监督信号。