Sakana AI 在其智能体的集体研究工作上训练一个模型
Sakana AI 的 MASS 方法使用单一模型来组织研究代理、评判它们的结果并从选定的团队运行中学习，在研究基准上取得了提升，但在其他领域的迁移效果较弱。
By RuntimeWire Staff · Published
Primary source: Sakana AI
为何重要
MASS 测试智能体协调是否可以成为模型下一代的训练数据。其早期研究成果使这一想法变得具体可行，但基准测试的迁移表现不一致，且仅有两个周期，导致长期可靠性和现实世界成本仍未得到解决。
Sakana AI 联合创始人兼首席执行官 David Ha 已将自我进化的人工智能列为东京实验室的研究兴趣之一。来自 Sakana AI 和 UC Berkeley 的一项新项目，在 Sakana AI 的 MASS 项目页面 上进行了描述，检验了这一想法：使用一个模型来组织研究代理，让它评判代理的工作，然后基于表现最好的团队结果对该模型进行训练。
该方法称为多代理自监督（Multi-Agent Self-Supervision，或 MASS），由包括 Hyunin Lee 在内的研究人员开发，Hyunin Lee 是 UC Berkeley 的研究员，他在该项目上的工作是在 Sakana AI 实习期间完成的。团队的 研究论文 于 10 月 8 日提交，报告称在两轮训练后在若干研究基准上取得了改进。这仍是一个关于 AI 如何监督自身改进的实验，并非在 Sakana AI 产品中的已报告部署。…
When you purchase through links in our articles, we may earn a small commission. This doesn’t affect our editorial independence.