Athanor: An Agent-Native System for Autonomous Post-Training Research

مسئله

«خودبهبودی بازگشتی»، یعنی ساخته شدن سیستم‌های قوی‌تر هوش مصنوعی به دست خود هوش مصنوعی، را هنوز نمی‌شود مستقیم اندازه گرفت. نویسنده‌ها نسخه‌ی ضعیف‌تر و قابل سنجشی را بررسی می‌کنند: آیا ایجنت‌های پیشرو می‌توانند یک مدل پایه‌ی کوچک و خام را فقط با داده‌ی عمومی پس‌آموزش دهند؟

روش

سیستم باز Athanor برای پژوهش خودکار پس‌آموزش روی جی‌پی‌یوهای واقعی ساخته شده است. ایجنت‌ها استقلال کامل پژوهشی، ابزارهای مهندسی ساده و کد شروع کارآمد دارند. خودشان داده‌ها و نتایج ارزیابی را می‌خوانند، داده‌ی آموزش می‌سازند، الگوریتم آموزش می‌نویسند و تغییر می‌دهند، ابرپارامترها را تنظیم می‌کنند و نتیجه را تحلیل می‌کنند تا قدم بعد را انتخاب کنند. در محیطی ایزوله کار می‌کنند و به مدل معلم بیرونی دسترسی ندارند. سیستم ارزیابی ثابت، مدیریت کارها، داده‌ی پاک‌شده از آلودگی، یک دفتر پژوهشی پایدار و یک مجموعه‌ی آزمون پنهان فراهم می‌کند.

یافته‌ها

• در یک دوره‌ی ۱۰۴ ساعته، تیمی از چهار ایجنت Claude Opus ۵٫۵، هر کدام روی یک گره هشت‌جی‌پی‌یویی و بدون هیچ راهنمایی پژوهشی، مدل Qwen3-4B-Base را روی مجموعه‌ی توسعه از ۱۵٫۹ به ۶۷٫۳ و روی مجموعه‌ی پنهان از ۹٫۲ به ۴۸٫۲ رساندند.
• این در برابر ۶۶٫۵ و ۴۷٫۹ برای نسخه‌ی رسمی Qwen3-4B-Instruct-2507 است؛ یعنی به طور میانگین هم‌سطح یا کمی بهتر.
• ایجنت‌ها به این سطح با ترکیب روش‌های شناخته‌شده و مدل‌های هم‌دیگر رسیدند: آموزش نظارت‌شده روی داده‌ی استدلال عمومی، یادگیری تقویتی با تغییری که یکی از ایجنت‌ها معرفی کرد، ادغام وزن‌های مدل‌های ایجنت‌های مختلف و چند دور خودتقطیری.

محدودیت‌ها

متن کامل این مقاله به شکل HTML در دسترس نبود. طبق چکیده این فقط یک دوره‌ی اجرا است و ایجنت‌ها روش تازه‌ای اختراع نکردند و روش‌های شناخته‌شده را ترکیب کردند؛ فاصله با نسخه‌ی رسمی هم کم است.