Нова робота Sakana AI: Рекурсивне самовдосконалення через багатоагентне самонагляд (MASS)
Sakana AI представила метод MASS, де моделі ШІ вдосконалюються через еволюцію багатоагентних робочих процесів та внутрішню фіксацію успішних патернів координації. Після двох циклів з моделлю 27B продуктивність покращилася на 1,2-1,6x на токен виходу у дослідних бенчмарках.
🔬 Цікаво для дослідників. Метод MASS демонструє новий шлях до самовдосконалення ШІ, але без готового продукту або API — для компаній до 200 людей тут нема дії: це академічний прототип, а не інструмент для впровадження.
🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секундTL;DR
- •Метод MASS: рекурсивне самовдосконалення через багатоагентне самонагляд
- •Покращення продуктивності: 1,2-1,6x на токен виходу після двох циклів
- •Використана модель: Sakana AI 27B відкритих ваг
- •Бенчмарки: MLR-Bench, ScienceAgentBench, DSBench
- •Тип навчання: багатоагентні траекторії як дані для тонкої налаштування
Як це змінить ваш ринок?
Для дослідних лабораторій та компаній з дослідницькими підрозділами MASS пропонує новий підхід до зменшення залежності від дорогої людської оцінки в процесі покращення моделей. Це може скоротити витрати на етапі RLHF або подібних процесів, де людська маркування є вузьким місцем.
Визначення:
Multi-Agent Self-Supervision (MASS) — метод, де модель ШІ створює копії自己 (агентів), які спілкуються та координують дії для вирішення задач, а потім навчається на успішних патернах цієї координації, щоб «внутрішніти» поведінку у свої ваги.
Для кого це і за яких умов
Для дослідницьких команд у галузі ШІ, які працюють з моделями від 7B параметрів і вище. Потрібна доступність до моделі з відкритими вагами (наприклад, 27B Sakana AI), GPU-пам’ять ≥24GB для тренування, навички у тонкій налаштуванні та обробці послідовностей. Масштаб: від однієї людини з досвідом у ШІ-дослідженнях. Час на експеримент: тижні-місяці, залежно від інфраструктури.
Альтернативи
| | Продукт 1 | Продукт 2 | Продукт 3 | | Ціна | дані не розкриті | дані не розкриті | дані не розкриті | | Де працює | локально/хмара | локально/хмара | локально/хмара | | Мін. вимоги | 7B модель, GPU 16GB | 27B модель, GPU 24GB | кластер GPU 4+ | | Ключова різниця | стандартне SFT | RLHF з людською оцінкою | MASS: самонагляд через агенти |
Такий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
Навчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiupskill.live