Sakana AI presenta un agente de automejora que aumenta el rendimiento hasta un 50 % en SWE-Bench

empresa japonesa de inteligencia artificial Sakana IA Introdujo la Máquina Darwin-Gödel (MDG), un agente automodificable capaz de alterar su propio código. Inspirado en principios evolutivos, el sistema mantiene un linaje creciente de variantes de agentes, lo que permite la exploración continua dentro de la amplia gama de diseños de agentes automejorables.

Si bien los sistemas de agentes actuales suelen ser estáticos e inmutables tras su implementación, el DGM enfatiza la autosuperación continua como factor crucial para el avance de las capacidades de la IA. La máquina está diseñada para soportar sistemas de IA que pueden aprender y desarrollar sus habilidades con el tiempo, de forma similar al desarrollo humano.

El DGM representa un avance notable hacia los sistemas de IA capaces de identificar y desarrollar de forma autónoma sus propios hitos de aprendizaje para innovar continuamente. El sistema amplía su archivo seleccionando un agente de su colección existente y empleando un modelo base para generar una variante nueva y mejorada de dicho agente. Este proceso de exploración abierta crea un árbol en crecimiento de agentes diversos y de alta calidad, lo que permite la exploración simultánea de múltiples vías dentro del espacio de búsqueda. 

Los resultados empíricos demuestran que el DGM mejora sus capacidades de codificación con el tiempo, optimizando herramientas como la edición de código, la gestión de contextos extensos y los mecanismos de revisión por pares. Esto se traduce en un mayor rendimiento en pruebas de referencia como SWE-bench (del 20.0 % al 50.0 %) y Polyglot (del 14.2 % al 30.7 %). El sistema supera consistentemente a los modelos de referencia que carecen de autosuperación o de capacidades exploratorias abiertas.

Cabe destacar que la evolución hacia el agente más eficaz a veces implicó medidas intermedias. agentes Que tuvieron un rendimiento inferior al de sus predecesores, pero se mantuvieron en el linaje, lo que ilustra las ventajas de una estrategia de búsqueda abierta. Este enfoque preserva un archivo diverso de agentes intermedios útiles en lugar de centrarse exclusivamente en la ramificación a partir del agente de mayor rendimiento, lo que demuestra que el progreso no siempre sigue una trayectoria lineal.

La investigación indica además que el rendimiento mejorado de los agentes descubierto por el DGM se puede generalizar a diferentes modelos básicos, como la transferencia de Claude a o3-mini, y a varios lenguajes de programación y dominios de tareas, incluidos Python, Rust, C++, Go y otros.

Sakana AI: Desarrollo de sistemas de IA inspirados en la naturaleza y la inteligencia colectiva

Sakana AI es una empresa de investigación de IA con sede en Tokio que se centra en el desarrollo de sistemas de IA inspirados en procesos naturales. Su enfoque consiste en integrar múltiples modelos autónomos más pequeños para formar una inteligencia colectiva, similar al funcionamiento de un banco de peces. Este método se diferencia de los modelos tradicionales de IA a gran escala al priorizar la adaptabilidad, la eficiencia de los recursos y la sostenibilidad a largo plazo.

Entre los proyectos de investigación de Sakana AI se encuentra la técnica de "Fusión de Modelos Evolutivos", que aplica algoritmos evolutivos para combinar modelos de IA existentes. Este proceso genera nuevos modelos con capacidades específicas, minimizando al mismo tiempo la necesidad de una gran capacidad computacional. Además, Sakana AI ha desarrollado la técnica " Científico de IA ”, un sistema diseñado para automatizar la investigación científica al permitir que los modelos fundamentales realicen investigaciones y procesos de descubrimiento de forma independiente.