Sakana AI libera algoritmo de código aberto que permite que vários modelos de IA colaborem em tarefas complexas

A Sakana AI lançou um algoritmo de código aberto na terça-feira, que permite que vários modelos de inteligência synthetic (IA) colaborem em problemas complexos. Apelidado de ramificação adaptativa Monte Carlo Tree Search (AB-MCTS), é um algoritmo de escalonamento de tempo de inferência ou tempo de teste que adiciona uma terceira dimensão à estrutura existente dos modelos de IA. Com isso, quando confrontado com um novo problema, o sistema não apenas determine se o raciocínio mais longo é adequado ou mais amplo, mas também determine qual modelo de IA é mais adequado para a tarefa. Caso o problema seja muito complexo, ele também pode implantar vários modelos de IA.

Sakana AI libera o algoritmo que faz os modelos de IA pensarem coletivamente

Em um publicar Em X (anteriormente conhecido como Twitter), a empresa de IA de Tóquio destacou que seu novo algoritmo de escala de tempo de inferência cria um ambiente para inteligência coletiva para a IA, permitindo que modelos de fronteira como Gemini 2.5 Professional, O4-mini e Deepseek-R1 para colaborar.

A empresa decidiu resolver um problema complexo no domínio da IA – como combinar as forças únicas e eliminar os vieses exclusivos dos modelos de IA para obter um desempenho mais alto. A Sakana AI está pesquisando esse problema há vários anos e, em 2024, publicou um artigo sobre “Mergor de modelo evolutivo”.

Agora, com base em suas descobertas, a empresa divulgou um algoritmo que cria um sistema que permite que os modelos de IA executem o tempo de teste em orçamentos específicos, permite que eles gerem várias saídas para explorar diferentes perspectivas e até colocar vários modelos de IA adequados para a tarefa para obter um desempenho mais alto.

Os pesquisadores que trabalham no projeto também foram capazes de testar a capacidade no benchmark ARC-Agi-2, onde o sistema AB-MCTS usou uma combinação de O4-mini, Gemini-12.5-Professional e R1-0528 e foi capaz de superar o desempenho dos modelos individuais. Sakana ai reivindicado Enquanto o O4-mini resolveu 23 % dos problemas de forma independente, atingiu 27,5 % quando fazia parte do cluster do AB-MCTS.

Sakana Ai lançou o algoritmo TreeQuest em seu github Listagem e também compartilhou seu arco-agi experimentos separadamente. Os detalhes do estudo foram publicado em um artigo sobre Arxiv.