참고X
Sakana AI, 다중 에이전트 자가 지도 학습 'MASS' 논문 공개
인간 개입 없이 에이전트 간 협업으로 모델 성능을 최적화하는 연구. 향후 에이전트 워크플로우 설계의 핵심 방법론.
요약
Sakana AI가 인공지능이 스스로 연구 성과를 평가하고 개선하는 Multi-Agent Self-Supervision(MASS) 프레임워크를 발표했다. MASS는 하나의 공유 모델이 가상 하이에이전트 팀을 구성해 작업을 수행하고 최적의 워크플로우를 선택한 뒤, 해당 경험을 모델 스스로 학습하여 개선하는 순환적 자가 학습 방식이다. 27B 오픈 웨이트 모델을 활용해 두 번의 사이클을 수행한 결과, 4개 연구 벤치마크에서 기본 모델 대비 출력 토큰당 점수가 1.2~1.6배 향상되었다. 연구진은 MASS를 통해 최적화 및 평가 능력이 동시에 개선되었으며, 단일 에이전트보다 멀티 에이전트 궤적이 훈련 데이터로서 더 효율적임을 확인했다. 다만 모델이 스스로를 평가할 때 발생할 수 있는 잠재적 오류를 방지하기 위해 동질적 순환 자기 개선(RSI) 과정에서의 AI 안전성 검증이 필요하다고 강조했다.
AI가 원문을 요약한 내용으로, 부정확할 수 있습니다.
원문 제목 @SakanaAILabs: Introducing Multi-Agent Self-Supervision (MASS): Recursive self-improvement through collective intelligence Blog: https://t.co/LkQ
원문 보기 ↗