Sakana AI презентує алгоритм AB-MCTS
Японська компанія Sakana AI представила новий алгоритм для роботи зі штучним інтелектом з відкритим кодом Adaptive Branching Monte Carlo Tree Search (AB-MCTS). Це потужний інструмент для посилення взаємодії між різними моделями ШІ. Новинка вже привернула увагу наукової спільноти, адже відкриває нові горизонти в об’єднанні інтелектуальних систем.
Що відомо про інструмент AB-MCTS
AB-MCTS – це алгоритм, створений для оптимізації спільної роботи між моделями ШІ, які мають різні підходи до розв’язання завдань. Унікальність методу полягає у здатності ефективно координувати декілька моделей, таких як Gemini 2.5 Pro, o4-mini, модель DeepSeek-R1, дозволяючи їм обмінюватися результатами, комбінувати свої висновки та приймати більш точні рішення.
Фреймворк дозволяє моделі обирати найкращий підхід до вирішення конкретної проблеми, виконувати обчислення у заданих межах та генерувати різні варіанти відповідей. І все це з урахуванням багатовимірності мислення та варіативності оцінок.
Sakana AI протестувала алгоритм у межах бенчмарку ARC-AGI-2, де було показано реальне зростання продуктивності. Так, модель o4-mini, яка самостійно вирішувала 23% завдань, у спільній системі AB-MCTS досягла 27,5% ефективності. Це підкреслює потенціал технології в оптимізації складних когнітивних процесів.
У рамках своєї відкритої стратегії Sakana AI опублікувала вихідний код алгоритму TreeQuest у репозиторії GitHub. Також доступні результати експериментів ARC-AGI і наукова стаття на arXiv, що забезпечує прозорість та доступ до технології для дослідників усього світу.
