Sakana AI, birden fazla AI modelinin karmaşık görevler üzerinde işbirliği yapmasını sağlayan açık kaynaklı algoritma yayınladı.

Sakana AI, Salı günü açık kaynaklı bir algoritma yayınladı ve bu da birden fazla yapay zeka (AI) modelinin karmaşık sorunlar üzerinde işbirliği yapmasına izin verdi. Adaptif dallanma Monte Carlo Tree Arama (AB-MCTS) olarak adlandırılan, AI modellerinin mevcut çerçevesine üçüncü bir boyut ekleyen bir çıkarım süresi ölçeklendirme veya test-zaman ölçeklendirme algoritmasıdır. Bununla, yeni bir sorunla karşı karşıya kaldığında, sistem sadece daha uzun akıl yürütmenin uygun veya daha geniş bir keşif olup olmadığına karar vermekle kalmaz, aynı zamanda hangi AI modelinin görev için en uygun olduğuna da karar verir. Sorunun çok karmaşık olması durumunda, birden fazla AI modeli de kullanabilir.

Sakana AI, AI modellerini toplu olarak düşündüren algoritmayı serbest bırakır

Bir postalamak X’te (eski adıyla Twitter olarak bilinir), Tokyo merkezli AI firması, yeni çıkarım süresi ölçeklendirme algoritmasının, Gemini 2.5 Professional, O4-Mini ve Deepseek-R1 gibi Frontier modellerinin işbirliği yapmasına izin vererek AI için kolektif zeka için bir ortam yarattığını vurguladı.

Şirket, AI alanındaki karmaşık bir sorunu çözmek için yola çıktı – benzersiz güçlü yönlerin nasıl birleştirilmesi ve daha yüksek performans elde etmek için AI modellerinin benzersiz önyargılarını nasıl ortadan kaldıracağı. Sakana AI bu sorunu birkaç yıldır araştırıyor ve 2024’te “Evrimsel Mannequin Birleşmesi” üzerine bir makale yayınladı.

Şimdi, bulgularına dayanarak, şirket, AI modellerinin belirli bütçeler üzerinde take a look at zamanı hesaplaması yapmasını sağlayan, farklı perspektifleri keşfetmek için birden fazla çıktı oluşturmalarını ve hatta daha yüksek performans elde etme görevine uygun birden fazla AI modeli koymalarını sağlayan bir sistem oluşturan bir algoritma yayınladı.

Proje üzerinde çalışan araştırmacılar, AB-MCTS sisteminin O4-Mini, Gemini-2.5-Professional ​​ve R1-0528 kombinasyonunu kullandığı ve bireysel modellerin performansını aşabildiği ARC-AGI-2 ölçütündeki yeteneği take a look at edebildiler. Sakana Ai iddia edilen O4-mini sorunların yüzde 23’ünü bağımsız olarak çözerken, AB-MCTS kümesinin bir parçası olduğunda yüzde 27,5’e ulaştı.

Sakana AI, GitHub’da Treequest algoritmasını yayınladı liste ve ayrıca ark-AGI’sini paylaştı deneyler ayrı olarak. Çalışmanın detayları yayınlanmış Arxiv üzerine bir makalede.