विकसित वैज्ञानिक एजेंट झुंड पुनरावर्ती आत्म-सुधार को सक्षम करते हैं।
SwarmRSI विफल हो जाता है AI विज्ञान पुनः प्रयोज्य स्थिति में चलाता है, परिकल्पनाओं, कोड, साक्ष्य और जरूरतों को साझा करता है; 118 कार्यों के स्कोर में सुधार हुआ।
मुख्य जानकारी
- SwarmRSI विफल या आंशिक प्रयोग परिणामों को भण्डारण और पुनः उपयोग करके AI विज्ञान एजेंटों में सुधार करता है।
- यह परिकल्पनाओं, कार्यक्रमों, साक्ष्य और अनसुलझी जरूरतों को रिकॉर्ड करने के लिए एक साझा ग्राफ का उपयोग करता है, जिससे बाद में एजेंट पहले के काम पर निर्माण कर सकते हैं।
- यह विधि रिटर्न-गाइडेड म्यूटेशन, पूरक पुनर्मूल्यांकन और रिकर्सिव विकास को जोड़ती है ताकि कार्यक्रमों की मरम्मत हो सके और उपयोगी घटकों का मिश्रण किया जा सके।
- 118 कार्यों में, SwarmRSI मजबूत बेंचमार्क परिणामों की रिपोर्ट करता है, जिसमें 76.2 पर OpenProblems और SOTA मिलान 44.4% के NatureBench कार्य शामिल हैं।
- मुख्य अंतर्दृष्टि यह है कि प्रगति केवल अधिक एजेंटों को जोड़ने या मॉडल को स्केलिंग करने से नहीं, बल्कि एजेंट की खोज के बेहतर पुनः उपयोग से हो सकती है।
SwarmRSI विफल हो गया AI विज्ञान 118 कार्यों में उपयोगी सुरागों पर चलता है
शोधकर्ताओं और डेवलपर्स के लिए जो कई AI विज्ञान एजेंटों को समानांतर में चलाते हैं, एक नया पेपर SwarmRSI का परिचय देता है, एक विधि जो खारिज किए गए प्रयोग परिणामों को पुनः प्रयोज्य अनुसंधान राज्य में बदल देती है। प्रत्येक एजेंट को अलग-अलग पास या फेल स्कोर के रूप में चलाने के बजाय, यह पद्धति साझा ग्राफ में परिकल्पनाओं, कार्यक्रमों, साक्ष्यों और खुली जरूरतों को रिकॉर्ड करती है, फिर बाद के एजेंसियों में भागों का पुनः उपयोग करती है। पेपर 118 वैज्ञानिक कोडिंग और ML इंजीनियरिंग कार्यों में परिणाम की रिपोर्ट करता है।
समस्या: समानांतर एजेंट उपयोगी जानकारी बर्बाद कर सकते हैं
एक ही समय में अधिक एजेंट चलाने से अनुसंधान प्रणाली स्वचालित रूप से स्मार्ट नहीं बनती है। पेपर दो विफलता मोड का वर्णन करता है। पहला, जब कोई प्रयोग असफल हो जाता है, तो रिकॉर्ड यह नहीं दिखा सकता है कि वैज्ञानिक परिकल्पना गलत थी या कोड दोषपूर्ण था। दूसरा, एक प्रोग्राम जिसमें कोई समग्र लाभ उत्पन्न नहीं होता है उसमें अभी भी एक घटक शामिल हो सकता है जिसका उपयोग अन्य एजेंट कर सकते हैं। इन मामलों को अलग करने के बिना, आशाजनक विचारों को छोड़ दिया जा सकता है और उपयोगी टुकड़े दफन किए जा सकते हैं.
SwarmRSI परिवर्तन करता है कि एजेंट क्या विरासत में लेते हैं
SwarmRSI, Recursive Self-Improvement through Evolving Scientific Agent Swarm, केवल उच्चतम स्कोरिंग परिणाम का चयन करने के बजाय एजेंटों के बीच पारित जानकारी को विकसित करता है। इसका साझा ग्राफ प्रत्येक शोध राज्य रखता हैः परिकल्पना, कार्यक्रम जिसने इसे परीक्षण किया, प्रयोगात्मक साक्ष्य और खुली आवश्यकताएं।
तीन तंत्र विकास को निर्देशित करते हैं। फीडबैक-Guided Swarm Mutation अन्य एजेंटों से संकेतों का उपयोग यह तय करने के लिए करता है कि क्या किसी परिकल्पना को संशोधित करना है या प्रोग्राम की मरम्मत करनी है। Complementary Swarm Recombination इसमें दो चालें हैंः रीबेस, जो अन्य एजंटों से कार्यक्रमों पर परिकল্পनाओं का परीक्षण करती है, और क्रॉसओवर, जो पूरक कार्यक्रम घटकों को विलय कर देती है। Recursive Swarm Evolution प्रत्येक परिणाम को ग्राफ में वापस भेजता है, चाहे वह सफल हो, विफल हो, या कोई लाभ न मिले, इसलिए अगला एजेंट अधिक पूर्ण तस्वीर से शुरू कर सकता है।
बेंचमार्क परिणाम पुनः उपयोग को इंगित करते हैं, JUST स्केल नहीं
118 कार्यों पर, कागज मानव विशेषज्ञों के लिए 57.2 और TusoAI के लिए 67.1 की तुलना में OpenProblems (एकल-कोशिका) पर 76.2 औसत स्कोर की रिपोर्ट करता है। NatureBench पर, यह बेंचमार्क के 90 कार्यों पर 44.4% प्रकाशित अत्याधुनिक परिणामों से मेल खाता है, जो कि तुलनात्मक तरीकों में सबसे अधिक है; सर्वश्रेष्ठ Claude Code सेटअप तक पहुंचता है 35.6% । एमएलई -15 प्रतियोगिताओं पर, पेपर मेडल 81.8%, आर्बर और MLEvolve से ऊपर की सूचना देता है।
पेपर एक पुनः उपयोग संकेत भी देता हैः अंतिम सर्वश्रेष्ठ नेचरबेंच कार्यक्रमों में से लगभग 77% रिबेस, क्रॉसओवर या फीडबैक-ट्रिगर किए गए अपडेट से आते हैं। इससे पता चलता है कि लाभ न केवल अधिक प्रोग्राम का उत्पादन करने से होते हैं, बल्कि मौजूदा लोगों को फिर से जोड़ने और मरम्मत करने से भी होते हैं। व्यावहारिक नोट के रूप में, जीवविज्ञानी इसके दो कार्यक्रमों का पुनरुत्पादन करते हैं और उन्हें आंत और मिर्गी प्रतिरक्षा के अनुवर्ती अध्ययनों में उपयोग करते हैं।
पाठकों को क्या देखना चाहिए
पेपर का बड़ा दावा मामूली हैः विज्ञान में अगली प्रगति AI एजेंटों या स्केलिंग मॉडल को जोड़ने से कम हो सकती है और यह सुनिश्चित करने से अधिक हो सकता है कि एक एजेंट सीखता है जहां अगले शुरू होता है। वैज्ञानिक एजेंट झुंड बनाने वाले किसी भी व्यक्ति के लिए, खुला सवाल यह है कि कितना साझा किया गया ग्राफ अतिरिक्त ओवरहेड या एक संदर्भ को दूसरे में लीक किए बिना बर्बाद काम को कम कर सकता है।
विशेष रुप से प्रदर्शित छवि: कनेक्टेड प्रयोग कार्ड, तीर और उत्परिवर्तन मार्करों का अमूर्त मैत्रीपूर्ण चित्रण, जिसमें कोई वास्तविक व्यक्ति, लोगो या पाठ नहीं है।
मेटा विवरण: SwarmRSI विफल हो जाता है AI विज्ञान एक साझा ग्राफ के साथ पुनः प्रयोज्य सुराग में चलता है, OpenProblems और 44.4% NatureBench राज्य-ऑफ-द-आर्ट मैचों पर रिपोर्टिंग 76.2।
टैगः AI विज्ञान एजेंट, SwarmRSI, बेंचमार्क परिणाम, एजेंट झुंड

Comments (0)