مقاله‌ی arXiv:2610.12176 · منتشرشده در کانال
Recursive Self-Improvement through Multi-Agent Self-Supervision
خودبهبودی بازگشتی با خودنظارتی چندایجنتی: مدلی که گردش‌کارهای چندایجنتی خودش را می‌سازد و از آن‌ها یاد می‌گیرد
- تاریخ
- (۱۶ مهر ۱۴۰۵) 2026-10-08 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Hyunin Lee, Jinglue Xu, Jeffrey Seely, Donghyun Lee, Somayeh Sojoudi, Matei Zaharia, Yujin Tang
- نهاد نویسنده‌ها
- UC Berkeley; Sakana AI
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
خودبهبودی بازگشتی یک مدل روی تسک‌های غیرقابل تأیید مثل پژوهش باز، با گلوگاه نظارت روبه‌روست: وقتی خروجی‌ها از توان ارزیابی متخصصان انسانی فراتر می‌روند، بهترین بهینه‌ساز و ارزیاب در دسترس خود مدل است. اما یک نمونه‌ی واحد از مدل در این حلقه‌ی همگن به‌سختی استدلال پیچیده‌ی خودش را نقد و بهتر می‌کند و ممکن است خطاهایش را تقویت کند.
روش
روش MASS بین بهینه‌سازی تکاملی گردش‌کار و تنظیم دقیق نظارت‌شده روی مسیرهای خودتولید جابه‌جا می‌شود. یک مدل پایه‌ی واحد به‌طور تکراری گردش‌کارهای چندایجنتی پیشنهاد، اجرا و خودارزیابی می‌کند. با جست‌وجوی تکاملی محدود به حفاظ‌های ساختاری، مدل این هماهنگی‌های شبیه گراف محاسباتی را بهینه می‌کند و مؤثرترین نقش‌ها و مسیر اطلاعات را برای هر تسک کشف می‌کند. مدل بهترشده سپس بهینه‌ساز و ارزیاب بهتری می‌شود.
یافته‌ها
- در دو چرخه با Qwen3.6-27B، کارایی به ازای توکن خروجی روی چهار بنچمارک باز عمومی ۱٫۲ تا ۱٫۶ برابر شد.
- مسیرهای چندایجنتی برای آموزش هم کارآمدترند: دانش‌آموزی که روی آن‌ها آموزش دید از دانش‌آموز تک‌ایجنتی با ۱٫۴ برابر توکن آموزشی بیشتر بهتر بود.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ آزمایش‌ها فقط با یک مدل پایه و دو چرخه انجام شده و نویسنده‌ها سازوکار سودمندی مسیرهای چندایجنتی را در حد یک حدس مطرح می‌کنند.
چرا مهم است
وقتی کسی نمی‌تواند خروجی مدل را داوری کند، خودبهبودی تنها راه است اما خطر تقویت خطا دارد. این کار نشان می‌دهد چند نسخه از یک مدل در نقش‌های مختلف می‌توانند این حلقه را پایدارتر کنند.