۱۴۰۵ آبان ۲۶, سه‌شنبه
دلار آمریکا۲۶۶٬۸۹۵▼ ۰٫۶۸٪یورو۲۹۴٬۳۶۰▼ ۰٫۶۹٪درهم امارات۷۲٬۷۲۵▼ ۰٫۶۸٪سکه امامی۲۵۱٬۴۹۰٬۰۰۰▲ ۰٫۳۷٪طلای ۱۸ عیار (گرم)۲۴٬۶۶۶٬۶۰۰▲ ۰٫۴٪انس طلا۳٬۸۷۰ $▲ ۰٫۱۴٪تتر۲۶۹٬۵۴۰▲ ۰٫۰۵٪بیت‌کوین۶۴٬۲۰۰ $▼ ۱٫۵۶٪اتریوم۱٬۷۸۷ $▼ ۲٫۰۸٪سولانا۷۲٫۵۵ $▲ ۱٫۴۷٪اپل۳۵۱٫۶۹ $▼ ۰٫۳۱٪انویدیا۱۵۴٫۹۴ $▼ ۰٫۷۷٪مایکروسافت۴۹۹٫۶۵ $▼ ۳٫۵۴٪آلفابت (گوگل)۲۸۰٫۴۰ $▼ ۱٫۱۷٪تسلا۳۷۹٫۶۲ $▼ ۰٫۰۳٪شاخص نزدک۲۴٬۲۴۶ $▼ ۱٫۰۸٪
نرخ ارز

خودبهبودی بازگشتی؛ Sakana AI پیش‌چاپ و کد روش MASS را منتشر کرد

پیش‌چاپ Sakana AI و UC Berkeley روش MASS را برای خودبهبودی بازگشتی آزمود: امتیاز به‌ازای هر توکن خروجی روی چهار بنچمارک پژوهشی ۱٫۲ تا ۱٫۶ برابر شد.

کاور گرافیکی DevNA: تیتر MASS، زیرتیتر خودبهبودی بازگشتی با نظارت تیم چندعاملی روی Qwen3.6-27B، عدد بزرگ ۱٫۲ تا ۱٫۶ برابر و برچسب SCORE / OUTPUT TOKEN روی پس‌زمینه تیره
کاور گرافیکی DevNA: تیتر MASS، زیرتیتر خودبهبودی بازگشتی با نظارت تیم چندعاملی روی Qwen3.6-27B، عدد بزرگ ۱٫۲ تا ۱٫۶ برابر و برچسب SCORE / OUTPUT TOKEN روی پس‌زمینه تیره
فهرست مطالب
  1. حلقه خودبهبودی بازگشتی: سه نقش، یک مدل
  2. آزمایش MASS: Qwen3.6-27B و ۱۲ تکلیف
  3. این اعداد «دقت» نیستند
  4. چرا تیم چندعاملی، نه یک ایجنت تنها؟
  5. سه هشداری که خود نویسنده‌ها می‌دهند
  6. چه چیزی برای شما عوض می‌شود

Sakana AI روز ۲۰ مهر ۱۴۰۵ (۱۲ اکتبر ۲۰۲۶) روش MASS را منتشر کرد: یک پیش‌چاپ ۳۹ صفحه‌ای — کار مشترک Sakana AI و UC Berkeley — که در آن یک مدل زبانی متن‌باز هم‌زمان هر سه نقش یک تیم چندعاملی را بازی می‌کند و کار همان تیم به وزن‌های خودش تقطیر (distillation) می‌شود؛ نه برچسب انسانی لازم است، نه مدل معلم بزرگ‌تر. آنچه اندازه‌گیری شده «باهوش‌تر شدن» عمومی یک مدل نیست: دو دور آموزش روی یک مدل ۲۷ میلیارد پارامتری، امتیاز به‌ازای هر توکن خروجی (score per output token) را روی چهار بنچمارک پژوهشی ۱٫۲ تا ۱٫۶ برابر کرد و در عوض روی دو بنچمارک کدنویسی کمی پایین آورد. مقاله در arXiv (شماره 2610.12176، ثبت ۱۶ مهر) و کد در GitHub در دسترس است.

حلقه خودبهبودی بازگشتی: سه نقش، یک مدل

به نوشته پست پژوهشی Sakana AI، هر سه نقش را همان مدلی بازی می‌کند که دارد بهینه می‌شود:

  • مجری (executor) یک تیم چندعاملی — یک هماهنگ‌کننده (orchestrator) و چند زیرایجنت (subagent) — را اجرا می‌کند و یک «فضای کار» (workspace) تحویل می‌دهد: نتایج، نمودارها و گزارش پژوهشی.
  • داور (evaluator) دو فضای کار را مقایسه می‌کند، می‌گوید کدام تکلیف را بهتر برآورده کرده و استدلالش را می‌نویسد.
  • بهینه‌ساز (optimizer) با بازخورد داور چهار جزء گردش‌کار را بازنویسی می‌کند: نقش (role)، دستور (instruction)، قرارداد (contract، یعنی خروجی‌هایی که زیرایجنت باید برگرداند و بررسی‌های لازم) و پرش (hop، یعنی ترتیب فراخوانی زیرایجنت‌ها).

حلقه درونی، با وزن‌های منجمد، جست‌وجوی گردش‌کار است. حلقه بیرونی گردش‌کار برنده را ۱۸ بار روی هر تکلیف اجرا می‌کند، ترجیح‌های دوبه‌دوی داور را با یک مدل بردلی-تری (Bradley–Terry) به امتیاز هر فضای کار تبدیل می‌کند و تا ۱۶ مسیر نگه می‌دارد: ۱۵ برای آموزش و یکی برای اعتبارسنجی. متن گردش‌کار را از پرامپت اولیه هماهنگ‌کننده حذف می‌کند و مدل را با LoRA روی گفت‌وگوهای هماهنگ‌کننده و زیرایجنت‌ها آموزش می‌دهد.

آزمایش MASS: Qwen3.6-27B و ۱۲ تکلیف

مدل پایه Qwen3.6-27B است و ایجنت‌ها داخل محیط qwen-code اجرا می‌شوند. MASS را روی ۱۲ تکلیف پژوهشی مصنوعی و پایان‌باز (open-ended) در حوزه‌های مالی، رباتیک و دارویی آزمودند: ۹ برای آموزش و ۳ کنار گذاشته‌شده برای تست؛ اما داده آموزشی از ۸ تکلیف آمد، چون روی یکی گردش‌کار بهتری پیدا نشد. دو دور کامل اجرا شد.

روی سه تکلیف تست — جایی که هیچ مدلی گردش‌کار بهینه‌شده را در پرامپتش ندارد — و با داوری دو مدل بیرونی GPT-5.5 و Claude Opus 4.8 که نتیجه‌شان از حلقه MASS پنهان ماند، دور اول در ۵۳٫۹ درصد مقایسه‌ها مدل پایه را برد، دور دوم در ۶۹٫۹ درصد، و در ۶۰٫۸ درصد از دور اول جلو زد.

این اعداد «دقت» نیستند

دور دوم نسبت به مدل پایه، در امتیاز به‌ازای هر توکن خروجی:

بنچمارک نسبت به مدل پایه
MLR-Bench ۱٫۶۰×
DSBench ۱٫۳۵×
AstaBench E2E-Hard ۱٫۲۸×
ScienceAgentBench ۱٫۲۰×
Terminal-Bench 2.0 ۰٫۹۶×
SWE-bench Verified ۰٫۹۴×

چهار ردیف اول همان بازه ۱٫۲ تا ۱٫۶ برابری چکیده مقاله‌اند. دو ردیف آخر یعنی روی دو بنچمارک کدنویسی مدل آموزش‌دیده کمی عقب‌تر از پایه است؛ نویسنده‌ها انتقال ناهمگون را مسئله‌ای باز می‌دانند و گمان می‌کنند افزودن تکالیف مهندسی نرم‌افزار به داده آموزش حلش کند.

چرا تیم چندعاملی، نه یک ایجنت تنها؟

جواب، کارایی است. نسخه چندعاملی با ۲۸٫۸ میلیون توکن نظارتی به نرخ برد ۶۸٫۳ درصد در برابر مدل پایه رسید، اما نسخه تک‌عاملی با ۴۲ میلیون توکن روی ۶۴٫۰ درصد ماند — حدود ۳۱ درصد توکن کمتر. داوران بیرونی هم در ۸۵٫۱ درصد مقایسه‌ها خروجی تیم چندعاملی را به ایجنت تنها ترجیح دادند.

گردش‌کار جدا از وزن‌ها هم ارزش دارد: مدل پایه با گردش‌کارهای دور اول، در ۶۴ درصد مقایسه‌های تکلیف‌های آموزش، از گردش‌کارهای جست‌وجوی خودش جلو زد. به گفته مقاله، توافق داور درونی با همین داورهای بیرونی هم در طول سه چرخه از ۷۳ به ۹۳ درصد رسید.

سه هشداری که خود نویسنده‌ها می‌دهند

انتقال ناهمگون اولی است. دومی ناپایداری جست‌وجو است: مقاله می‌گوید جست‌وجوی گردش‌کار پرنوسان است و پس از تکرارهای خوب، پس‌رفت‌های تند می‌آید؛ به نظر نویسنده‌ها بهینه‌ساز زبانی به معادلی برای زمان‌بند نرخ یادگیری (learning-rate scheduler) نیاز دارد تا جست‌وجو در فضای متن پایدار شود.

سومی هشدار امنیتی است. نویسنده‌ها در نتیجه‌گیری مقاله می‌نویسند نقطه‌های کور مشترک «ممکن است پاشنه آشیل خودبهبودی بازگشتی باشند»: در یک حلقه همگن، یک نقطه کور مشترک می‌تواند نتیجه‌ای معیوب را به‌عنوان بهبود بپذیرد و وارد مدل بعدی کند. چون همان ضعف هم رفتار سیستم را خراب می‌کند و هم سازوکار اصلاحش را، به‌روزرسانی‌های پشت‌سرهم می‌توانند تقویتش کنند. (نظارت بیرونی بر ایجنت‌ها را پیش‌تر در پلتفرم ایمنی ایجنت NVIDIA بررسی کرده‌ایم.)

چه چیزی برای شما عوض می‌شود

MASS مهندسی گردش‌کار ایجنت را به داده آموزشی تبدیل می‌کند، روی یک مدل متن‌باز ۲۷ میلیاردی، نه یک مدل مرزی بسته. کد با vLLM و LoRA منتشر شده، اما GPU می‌خواهد؛ برای تجربه در مقیاس کوچک‌تر، اجرای محلی مدل‌ها نقطه ورود ارزان‌تری است.

اندازه ادعا را هم گم نکنیم: این پیش‌چاپ داوری همتا نشده و بردها را داور مدلی سنجیده، نه انسان؛ مخزن کد هم خودش را «پیاده‌سازی پژوهشی» می‌نامد، نه محصول.

$ devna rate --article

—
هنوز رأیی ثبت نشده
  1. ۵۰
  2. ۴۰
  3. ۳۰
  4. ۲۰
  5. ۱۰

این مطلب چقدر به کارتان آمد؟

روی ستاره‌ها بزنید

واکنش شما

اولین نفری باشید که واکنش نشان می‌دهد.

پرسش‌های پرتکرار

روش MASS چیست و چطور کار می‌کند؟

در MASS یک مدل متن‌باز هم‌زمان سه نقش را بازی می‌کند: مجری که یک تیم چندعاملی را اجرا می‌کند، داور که خروجی دو تیم را مقایسه می‌کند و بهینه‌ساز که با بازخورد داور گردش‌کار تیم را بازنویسی می‌کند. بعد همان مدل با LoRA روی اجرای بهترین تیم آموزش می‌گیرد و چرخه تکرار می‌شود. نه برچسب انسانی لازم است، نه مدل معلم بزرگ‌تر.

عددهای ۱٫۲ تا ۱٫۶ برابری MASS چه چیزی را می‌سنجند؟

امتیاز به‌ازای هر توکن خروجی (score per output token)، نه دقت خام. در دور دوم این نسبت روی MLR-Bench ۱٫۶۰ برابر مدل پایه است و روی ScienceAgentBench ۱٫۲۰ برابر، اما روی Terminal-Bench 2.0 و SWE-bench Verified به ۰٫۹۶ و ۰٫۹۴ برابر، یعنی کمی زیر پایه، می‌رسد.

MASS روی چه مدلی آزمایش شده و کدش در دسترس است؟

مدل پایه Qwen3.6-27B است و ایجنت‌ها داخل محیط qwen-code اجرا می‌شوند. مجموعه آزمایش ۱۲ تکلیف پژوهشی مصنوعی در حوزه‌های مالی، رباتیک و دارویی بود — ۹ برای آموزش و ۳ برای تست — و دو دور کامل اجرا شد. کد در مخزن SakanaAI/mass منتشر شده و برای اجرا به vLLM و GPU نیاز دارد.

بزرگ‌ترین خطر خودبهبودی بازگشتی چیست؟

نقطه کور مشترک. در حلقه‌ای که مجری، داور و بهینه‌ساز یک مدل‌اند، نتیجه‌ای معیوب می‌تواند به‌عنوان بهبود پذیرفته و در مدل بعدی گنجانده شود؛ همان ضعف هم رفتار سیستم را خراب می‌کند و هم سازوکار اصلاحش را. نویسنده‌ها در نتیجه‌گیری مقاله می‌نویسند این نقطه‌های کور مشترک «ممکن است پاشنه آشیل خودبهبودی بازگشتی باشند».

منابع

  1. Sakana AI: MASS — Recursive Self-Improvement through Multi-Agent Self-Supervision
  2. arXiv:2610.12176 — Recursive Self-Improvement through Multi-Agent Self-Supervision
  3. GitHub: SakanaAI/mass (Multi-Agent Self-Supervision)

خطایی در این مطلب دیدید؟ به تحریریه گزارش دهید؛ اصلاحیه‌ها طبق اصول تحریریه ثبت می‌شوند.

دیدگاه‌ها

۰/۲٬۰۰۰

دیدگاه‌ها پس از بررسی تحریریه منتشر می‌شوند. توهین، تبلیغ و لینک‌های بی‌ربط حذف می‌شوند؛ نقد فنی و مستند همیشه خوش‌آمد است.

$ comments --count۰

هنوز کسی چیزی ننوشته. اولین دیدگاه را شما ثبت کنید.

مطالب مرتبط