ai-powered-markdown-translatorArticol tradus din fr în ro cu gpt-6.1-sol.
Sakana AI și cercetători de la UC Berkeley prezintă MASS, o metodă prin care Qwen3.6-27B este ajustat pe baza celor mai bune execuții ale propriei echipe de agenți: după două runde, își învinge versiunea de bază în 69,9 % dintre comparațiile pe sarcini excluse din antrenare. Pe scurt, FINAL-Bench lansează Open Quantum Challenge, un concurs de simulare cuantică și corectare a erorilor desfășurat pe un singur GPU, iar Qwen Code v0.25.1 devine o versiune stabilă.
MASS: Sakana AI și UC Berkeley îmbunătățesc Qwen3.6-27B folosind activitatea propriei echipe de agenți
11 octombrie — Sakana AI și UC Berkeley prezintă MASS, o metodă de autoîmbunătățire recursivă: Qwen3.6-27B rezolvă sarcini de cercetare într-o echipă de subagenți, rescrie workflow-ul echipei și evaluează singur rezultatele, apoi este ajustat cu LoRA pe baza celor mai bune execuții ale sale. Doi evaluatori externi, GPT-5.5 și Claude Opus 4.8, măsoară progresul.
| Măsură raportată | Valoare publicată |
|---|---|
| Victorii împotriva versiunii de bază după două runde, sarcini excluse din antrenare | 69,9 % |
| Scor per token de ieșire, patru benchmarkuri de cercetare | 1,2 până la 1,6 ori nivelul de bază |
| Aceeași măsură, Terminal-Bench 2.0 și SWE-bench Verified | 0,96 și 0,94 ori nivelul de bază |
Autorii înșiși consideră că îmbunătățirea este neuniformă între benchmarkuri și cred că o pot corecta adăugând sarcini de inginerie software. Codul este publicat fără o licență declarată, iar articolul este disponibil pe arXiv din 8 octombrie.
🔗 Articolul despre MASS · Articolul de pe arXiv · Codul pe GitHub
Pe scurt
- Open Quantum Challenge — Pe Hugging Face, FINAL-Bench (VIDRAFT) deschide două sezoane desfășurate pe un singur GPU, fără calculator cuantic: estimarea energiei stării fundamentale a sistemelor Fermi-Hubbard până la 28 februarie 2027 și proiectarea unui decodor pentru corectarea erorilor (QEC) până la 31 martie 2027, cu 1 000 de dolari pe sezon. 🔗 sursă · 🔗 spațiul concursului
- Qwen Code v0.25.1 — Versiunea stabilă reunește cele trei versiuni preliminare prezentate aici începând cu 6 octombrie și adaugă doar 17 intrări, inclusiv un buton de trimitere imediată (Trimite acum) pentru mesajele aflate în coadă în Web Shell. Notele de versiune însumează 57 de funcționalități și 85 de remedieri de la v0.25.0, fără modificări cunoscute care să afecteze compatibilitatea. 🔗 sursă
Ce înseamnă acest lucru
MASS pornește de la o constatare: pentru o sarcină de cercetare deschisă, nicio regulă automată nu stabilește dacă un răspuns este bun, iar modelul însuși poate deveni cel mai competent supervizor disponibil. Sakana AI evidențiază problema de siguranță asociată: atunci când un model este propriul evaluator, punctele oarbe comune pot face ca erorile să fie confundate cu progrese, apoi să fie consolidate în timpul antrenării. Pentru a măsura progresul fără a influența bucla, protocolul se bazează pe evaluatori externi, ale căror verdicturi nu sunt transmise către MASS; în raport cu aceștia, concordanța evaluatorului crește de la 73 % pentru modelul de bază la 93 % după a doua rundă.
Experimentul spune ceva și despre datele generate de agenți. Potrivit autorilor, traiectoriile echipei oferă o instruire mai bună decât cele ale unui singur agent: un model antrenat pe primele câștigă 68,3 % dintre comparațiile cu versiunea de bază folosind 28,8 milioane de tokens supervizați, față de 64,0 % cu 42 de milioane pentru un model antrenat pe cele din urmă. Experimentul rulează, de altfel, în Qwen Code, agentul de programare a cărui v0.25.1 devine stabilă în aceeași zi: un instrument pentru dezvoltatori servește aici drept banc de lucru pentru cercetare.
Open Quantum Challenge abordează problema din cealaltă direcție. Fiecare soluție trimisă este evaluată automat în raport cu un răspuns de referință fix, iar ghidul de participare este conceput pentru a fi încredințat unui agent de programare precum Codex sau Claude Code. Când o sarcină poate fi verificată, un scor calculat este suficient pentru a departaja participanții; când nu poate fi verificată, MASS transformă modelul în propriul evaluator, sub observația unor evaluatori externi.