Sakana AI'ın MASS'ı, çok ajanlı ekipleri öz denetleyici olarak kullanarak özyinelemeli kendini geliştirmeyi sağlıyor

Sakana AI'ın önerdiği yöntem

Sakana AI, Hacker News ana sayfasında öne çıkan özyinelemeli kendini geliştirme (RSI) yöntemi olan Multi-Agent Self-Supervision (MASS) üzerine bir araştırma yazısı yayınladı. Temel iddia şu: Yapay zeka modelleri insanlığın birikmiş bilgisinin sınırlarını aştığında, insan uzmanlar artık modelin ürettiği çıktıyı değerlendiremeyebilir — özellikle doğruluğu otomatik yollarla kontrol edilemeyen görevlerde. Bu sınırdaysa modelin kendisi mevcut en yetkin denetleyici olabilir; dolayısıyla eğitim döngüsü modelin kendi kararları üzerine kurulmak zorundadır.

MASS bunu yazarların "homojen RSI" dediği yaklaşımla ele alıyor: Döngüdeki her rolü tek bir paylaşımlı dil modeli üstleniyor. Yazıya göre yöntem, çok ajanlı bir ekibin birlikte nasıl çalıştığını tekrar tekrar optimize ediyor ve sonra ekibin ortak çıktısını öz denetim sinyali olarak modelin ağırlıklarına damıtıyor. Araştırmacılar, bunun araştırma benchmark'larında çıktı başına token başına düşen puanları taban modele göre yükselttiğini bildiriyor.

Tek model, üç rol

Kurulum, yayına göre aynı modele üç görev atıyor:

• Agent: Sonuçları, grafikleri ve bir araştırma raporunu içeren bir çalışma alanı üreten görev çözücü.
• Workflow optimizer: Değerlendirici geri bildirimini kullanarak ajanların görevi nasıl böldüğünü, sonuçları nasıl paylaştığını ve birbirinin işini nasıl kontrol ettiğini revize eder.
• Evaluator: İki çalışma alanını karşılaştırır, görevi daha iyi karşılayanını seçer ve gerekçesini açıklar.

Eğitim, doğrulanamayan araştırma görevlerine dayanıyor; yani kural tabanlı bir sinyal yok ve öğrenme sürecini yalnızca doğruluğu bilinmeyen öz değerlendirme yönlendiriyor.

Prompt olarak yazılan workflow'lar

Önemli bir tasarım tercihi, bir workflow'un yalnızca yazılı bir plan olması ve görev prompt'una yerleştirilerek modelin kendi ekip yapısını inceleyip yeniden yazabilmesi. Her planın dört bölümü var: bir subagent'ın sorumluluğunu tanımlayan rol, yapılacak iş için bir talimat, neyin döndürülüp kontrol edilmesi gerektiğini belirten bir contract ve çağrıları sıralayan bir hop. Bir orkestratör ajan subagent'ları atar ve sonuçlarını birleştirir; yazıdaki geliştirilmiş bir örnek, bir finans görevi için veri hazırlığını ve sonraki adımları düzenliyor.

İç içe iki döngü

Süreç bir iç ve bir dış döngü olarak çalışıyor. Model ağırlıklarının dondurulduğu iç döngüde sistem en iyi ekip workflow'unu arar: aday workflow'lar çalışır, öz değerlendirici ortaya çıkan çalışma alanlarını yargılar ve optimizer bir şampiyon ortaya çıkana kadar yineledir. Dış döngüde ise bu şampyon üzerinde eğitim yapılır — eşlik eden diyagrama göre şampiyon workflow 18 kez çalıştırılır, model ortaya çıkan çalışma alanlarını kendi içinde sıralar, en iyi 16'sı tutulur ve model, workflow prompt'tan çıkarılarak bu çalıştırmalar üzerinde fine-tune edilir. Güncellenen model ardından üç rolü de yeniden üstlenir ve döngü tekrarlanır.

Ground truth olmadan ilerlemeyi ölçmek

Döngü içindeki denetim tamamen dahili olduğu için yazarlar ilerlemeyi dış yargıçlarla ölçüyor: GPT-5.5 ve Claude Opus 4.8 tamamlanmış işleri değerlendiriyor ve kararları MASS'tan saklanıyor. Bu, tamamen öz yargıya dayanan bir süreç için dış bir ölçüt sağlıyor. Yazı ayrıca araştırmanın insan toplumlarına yapılan bir benzetmeye dayandığını, Thomas Kuhn'un bilimsel toplulukların paylaşılan örneklerden nasıl öğrendiği anlatısına atıfta bulunulduğunu ve çalışmanın Sakana AI'da bir staj sırasında yapıldığını belirtiyor.

Neden önemli

Özyinelemeli kendini geliştirme, yapay zekanın en önemli açık sorularından biri ve her zamanki takılma noktası değerlendirme: Bir çıktının daha iyi olup olmadığını birinin veya bir şeyin söylemesi gerekiyor. MASS bir cevap öneriyor — bir ekibin ortak performansını öğretmen olarak almayı — ve tam da doğrulayıcıların olmadığı görevlerde ölçülebilir kazanımlar iddia ediyor. Yaklaşım ölçeklenirse, insan değerlendirmesini beklemeyen sürekli bir kendi kendine öğrenmeye işaret ediyor ve bu, açık uçlu araştırma çalışmalarında yapay zeka ilerlemesini belirgin biçimde hızlandırabilir. Risk de simetrik: Kalitesi bilinmeyen öz yargıyla denetlenen bir döngü, bir modelin kör noktalarını en az o kadar kolay pekiştirebilir ve saklı yargıçlı değerlendirme, ilerlemeyi düzeltmeden bildiriyor. Fikir yayıldıkça hem verimlilik iddialarının hem de başarısızlık modlarının yakından inceleneceğini bekleyin.