Sakana AI Merilis Algoritme Sumber Terbuka yang Memungkinkan Beberapa Model AI Berkolaborasi dalam Tugas Kompleks

Sakana AI merilis algoritme sumber terbuka pada hari Selasa, yang memungkinkan beberapa model kecerdasan buatan (AI) untuk berkolaborasi dalam masalah yang kompleks. Dijuluki Adaptive Branching Monte Carlo Tree Search (AB-MCTS), ini adalah penskalaan waktu inferensi atau algoritma penskalaan waktu pengujian yang menambahkan dimensi ketiga ke kerangka kerja model AI yang ada. Dengan ini, ketika dihadapkan pada masalah baru, sistem tidak hanya memutuskan apakah penalaran yang lebih panjang cocok atau eksplorasi yang lebih luas, tetapi juga memutuskan model AI mana yang paling cocok untuk tugas tersebut. Jika masalahnya terlalu kompleks, ia juga dapat menerapkan beberapa model AI.

Sakana AI Merilis Algoritma yang Membuat Model AI Berpikir Secara Kolektif

Dalam sebuah posting di X (sebelumnya dikenal sebagai Twitter), perusahaan AI yang berbasis di Tokyo menyoroti bahwa algoritme penskalaan waktu inferensi barunya menciptakan lingkungan untuk kecerdasan kolektif untuk AI dengan membiarkan model perbatasan seperti Gemini 2.5 Pro, o4-mini, dan DeepSeek-R1 untuk berkolaborasi.

Perusahaan berangkat untuk memecahkan masalah kompleks dalam domain AI — bagaimana menggabungkan kekuatan unik dan menghilangkan bias unik dari model AI untuk mencapai kinerja yang lebih tinggi. Sakana AI telah meneliti masalah ini selama beberapa tahun, dan pada tahun 2024, ia menerbitkan makalah tentang “penggabungan model evolusioner.”

Sekarang, berdasarkan temuannya, perusahaan telah merilis algoritme yang membuat sistem yang memungkinkan model AI melakukan komputasi waktu pengujian dengan anggaran tertentu, memungkinkan mereka menghasilkan banyak output untuk mengeksplorasi perspektif yang berbeda, dan bahkan menempatkan beberapa model AI yang cocok untuk tugas tersebut untuk mencapai kinerja yang lebih tinggi.

Para peneliti yang mengerjakan proyek ini juga dapat menguji kemampuan pada tolok ukur ARC-AGI-2, di mana sistem AB-MCTS menggunakan kombinasi o4-mini, Gemini-2.5-Pro, dan R1-0528, dan mampu melampaui kinerja model individu. Sakana AI mengklaim bahwa sementara o4-mini memecahkan 23 persen masalah secara mandiri, mencapai 27,5 persen ketika menjadi bagian dari klaster AB-MCTS.

Sakana AI telah merilis algoritme TreeQuest di daftar GitHub-nya dan juga telah membagikan eksperimen ARC-AGI-nya secara terpisah. Rincian dari penelitian ini telah diterbitkan dalam sebuah makalah di arXiv.