⚡️ Sakana AI научила модель учиться у собственной команды агентов Sakana AI вместе с UC Berkeley представила MASS (Multi-Agent Self-Supervision). Это способ рекурсивного самоулучшения модели без людей и без внешнего учителя. Идея такая. Одна модель играет сразу три роли: исполнителя, оптимизатора воркфлоу и судьи. Сначала она решает задачу командой виртуальных сабагентов, затем сама ищет лучшую схему их взаимодействия и сама выбирает победителя. Лучшие прогоны команды становятся данными для дообучения, и после LoRA-тюна модель запоминает коллективный опыт своих агентов уже без подсказок про воркфлоу. Затем цикл повторяется. Эксперимент проводили на Qwen3.6-27B и синтетических открытых исследовательских задачах. После двух циклов показатель «очки на выходной токен» вырос в 1,2-1,6 раза относительно базы: 1,6x на MLR-Bench, 1,35x на DSBench, 1,28x на AstaBench и 1,2x на ScienceAgentBench. На Terminal-Bench 2.0 и SWE-bench Verified прироста не было. Модель учили только решать задачи, но при этом у неё заодно выросли навыки оптимизатора и судьи. Мультиагентные траектории оказались эффективнее одиночных: 68% побед над базой при примерно 31% меньшем объёме данных. И скорость улучшения упирается в оптимизатор, а не в судью. Авторы честно называют главный риск. Когда модель сама себя оценивает, её слепые зоны могут засчитываться как прогресс и закрепляться обучением. Если ИИ будет развиваться выше уровня человеческой экспертизы, нужно уметь вовремя замечать такие сбои и вмешиваться. Блог: https://pub.sakana.ai/mass/ Статья: https://arxiv.org/abs/2610.12176 Код: https://github.com/SakanaAI/mass @ai_machinelearning_big_data #Sakana

🚨 Китайская Z.AI привлекла $5 млрд - и 60% средств направит на следующее поколение GLM и систему Fully Self-Training. Финансирование состоит примерно из $2 млрд через размещение акций и $3 млрд через конвертируемые облигации. Z.AI развивает подход, при котором каждая новая версия GLM всё больше участвует в создании среды, данных и инфраструктуры для обучения следующего поколения модели. Компания прямо связывает это направление с Recursive Self-Improvement - RSI. GLM → строит среду и данные → обучает следующую GLM → цикл повторяется Пока в этом процессе всё ещё много инженеров, но цель Z.AI - максимально замкнуть этот контур. И теперь на эту идею у компании есть ещё несколько миллиардов долларов.

распишу детальнее позже про новый апгрейд + добрались до: <концепция Closed-Loop Reflexion (или RLAIF: Reinforcement Learning from AI Feedback)> -> таких closed loops было больше 100 за последние 12 часов без деградации / крашей / зависаний. -> пытаюсь понять как настраивать режимы для исследований и потом применений / реализаций Вот пример само эволюции в контуре зацикленном:

🔄 Lock-Screen Evolution | Cycle 64

💵 Бюджет сессии: $2.10 (Cycle Cost: $0.000)

💻 Compute Mode: ⚡ Zero-Cost Fast Path

💾 Prompt Caching: (Idle)

🌐 OSINT Searches (Perplexity): 0 (Total: 102)

💡 Найдено гипотез: 1 (Total: 136)

🔬 Протестировано (Real Script): 1 (Total: 89)

📉 Audit: 0 false / 17 audited (FPR 95% upper: 17.6%)

⚡ Control Plane: 2 active policies enforced

✅ Внедрено сейчас: DCMCTS-v4 [c64-h01]

📉 Текущий базовый TCO (Total Cost of Ownership): 0.0100

🏆 Последние 5 активных оптимизаций (Promotion Receipts):

⚙️ MICROBENCH_PASSED: SGP-v1 [c60-h01]

Target: Execution Graph

Impact: DAG Transpositions снижены на 29%, Latency -10ms

TCO: 0.0100 → 0.0100 (Δ -0.0006)

Time: mutation 0.03s / eval 0.0s

🤖 Council: Approved (Statistically significant Δ)

⚙️ MICROBENCH_PASSED: SMTA-v4 [c61-h01]

Target: Retrieval Embeddings

Impact: Hubness skew 4.5->2.5, Recall@10 82.8%->89.2%

TCO: 0.0100 → 0.0100 (Δ -0.0006)

Time: mutation 0.03s / eval 0.1s

🤖 Council: Approved (Statistically significant Δ)

⚙️ MICROBENCH_PASSED: SMTA-v3 [c62-h01]

Target: Retrieval Embeddings

Impact: Hubness skew 4.1->2.3, Recall@10 82.9%->92.5%

TCO: 0.0100 → 0.0100 (Δ -0.0015)

Time: mutation 0.03s / eval 0.0s

🤖 Council: Verified (No additivity illusions found)

⚙️ MICROBENCH_PASSED: JPC-v3 [c63-h01]

Target: OSINT Context

Impact: Effective Rank 304->420, Token usage -49%

TCO: 0.0100 → 0.0100 (Δ -0.0011)

Time: mutation 0.03s / eval 0.0s

🤖 Council: Approved (Metrics cross-checked with baseline)

⚙️ MICROBENCH_PASSED: DCMCTS-v4 [c64-h01]

Target: Rollback Trajectories

Impact: Rollback Recall вырос до 88.8%, Hallucinations -12.1%

TCO: 0.0100 → 0.0100 (Δ -0.0016)

Time: mutation 0.03s / eval 0.0s

🤖 Council: Approved (Metrics cross-checked with baseline)

🚀 Статус: Система работает в режиме РЕАЛЬНОГО ИСПОЛНЕНИЯ (V2).