ساکانا الگوریتم متن‌بازی منتشر کرد که به چندین مدل هوش مصنوعی اجازه می‌دهد با یکدیگر همکاری کنند

شرکت ساکانا ای‌آی در روز سه‌شنبه الگوریتم متن‌باز Adaptive Branching Monte Carlo Tree Search (AB-MCTS) را معرفی کرد که به مدل‌های مختلف هوش مصنوعی اجازه می‌دهد در مواجهه با مسائل پیچیده به صورت گروهی و هماهنگ عمل کنند.

این الگوریتم که در زمان استنتاج یا تست اجرا می‌شود، یک بعد سوم به چارچوب موجود مدل‌های هوش مصنوعی اضافه می‌کند؛ به این معنا که سیستم در مواجهه با مسئله جدید، نه تنها تصمیم می‌گیرد که آیا استدلال طولانی‌تر یا کاوش گسترده‌تر مناسب‌تر است، بلکه تشخیص می‌دهد کدام مدل هوش مصنوعی برای انجام آن کار بهتر است.

در صورت پیچیدگی زیاد مسئله، این الگوریتم قادر است چندین مدل هوش مصنوعی را به کار گیرد.

الگوریتمی برای همکاری جمعی مدل‌های هوش مصنوعی

در پستی در شبکه اجتماعی ایکس (توییتر سابق)، شرکت مستقر در توکیو توضیح داد که الگوریتم جدید آن‌ها محیطی برای هوش جمعی در هوش مصنوعی ایجاد می‌کند و به مدل‌های پیشرفته‌ای مانند Gemini 2.5 Pro، o4-mini و DeepSeek-R1 امکان همکاری می‌دهد.

این شرکت سال‌هاست که روی مسئله ترکیب توانمندی‌های منحصربه‌فرد و رفع سوگیری‌های خاص مدل‌های هوش مصنوعی برای بهبود عملکرد کار می‌کند و در سال ۲۰۲۴ مقاله‌ای تحت عنوان «ادغام مدل‌های تکاملی» منتشر کرده است.

اکنون، با تکیه بر یافته‌های خود، ساکانا ای‌آی الگوریتمی ارائه کرده که اجازه می‌دهد مدل‌ها در محدوده بودجه محاسباتی مشخص، چند خروجی تولید کنند تا زوایای مختلف یک مسئله را بررسی کنند و چند مدل هوش مصنوعی مناسب را برای رسیدن به بهترین عملکرد به کار گیرند.

نتایج آزمایش و دسترسی به الگوریتم

پژوهشگران پروژه این الگوریتم را روی معیار ARC-AGI-2 آزمایش کردند؛ جایی که سیستم AB-MCTS با ترکیب مدل‌های o4-mini، Gemini-2.5-Pro و R1-0528 توانست عملکرد بهتری نسبت به مدل‌های منفرد از خود نشان دهد. به گفته ساکانا ای‌آی، مدل o4-mini به تنهایی توانسته بود ۲۳ درصد مسائل را حل کند، اما در قالب خوشه AB-MCTS این رقم به ۲۷.۵ درصد افزایش یافت.

الگوریتم TreeQuest توسط این شرکت در گیت‌هاب منتشر شده و همچنین آزمایش‌های ARC-AGI آن به صورت جداگانه در دسترس قرار گرفته‌اند. جزئیات این مطالعه در قالب یک مقاله در سایت arXiv نیز منتشر شده است.