Sakana AI ra mắt thuật toán cho phép nhiều LLM như ChatGPT và Gemini hợp tác giải quyết bài toán phức tạp

• Sakana AI – startup trí tuệ nhân tạo đến từ Nhật Bản – vừa giới thiệu thuật toán AB-MCTS (Adaptive Branching Monte Carlo Tree Search), cho phép nhiều mô hình ngôn ngữ lớn (LLM) như ChatGPT, Gemini, DeepSeek hợp tác cùng lúc để giải quyết một vấn đề phức tạp.

• Thay vì để từng mô hình làm việc đơn lẻ, AB-MCTS kết hợp các chiến lược tìm kiếm theo chiều sâu (tinh chỉnh lời giải hiện có) và chiều rộng (thử nghiệm hướng giải mới), với mô hình xác suất tự động điều hướng phương án tối ưu.

• Phiên bản Multi-LLM AB-MCTS chọn linh hoạt mô hình phù hợp nhất theo tình huống, cho phép từng AI phát huy điểm mạnh riêng theo từng giai đoạn giải quyết vấn đề.

• Thử nghiệm trên benchmark khó ARC-AGI-2 cho thấy Multi-LLM AB-MCTS vượt trội hơn bất kỳ mô hình đơn lẻ nào, thậm chí trong một số trường hợp, chỉ tổ hợp nhiều mô hình mới đưa ra được đáp án chính xác.

• Tuy nhiên, hệ thống hiện chỉ đạt khoảng 30% tỷ lệ thành công khi được phép đoán không giới hạn, và giảm mạnh trong các thiết lập chính thức giới hạn số lần gửi đáp án.

• Sakana AI lên kế hoạch phát triển thêm mô hình đánh giá gợi ý nhằm chọn lọc tự động các phương án tốt nhất, hoặc kết hợp với hệ thống AI có thể “thảo luận” để ra quyết định chung.

• Thuật toán AB-MCTS đã được phát hành mã nguồn mở dưới tên TreeQuest, nhằm khuyến khích cộng đồng phát triển và ứng dụng rộng rãi.

• Trước đó, Sakana AI cũng công bố Darwin-Gödel Machine – một agent tự tái cấu trúc mã Python thông qua vòng tiến hóa nhanh. Sau 80 vòng, độ chính xác trên SWE-bench tăng từ 20% lên 50%, còn điểm Polyglot tăng gấp đôi lên 30,7%, vượt mặt nhiều mô hình nguồn mở hàng đầu.

• Hồi tháng 6, agent ALE của Sakana AI sử dụng Gemini 2.5 Pro và thuật toán cổ điển như simulated annealing, beam search… đã lọt top 21 trong giải thi lập trình AtCoder, vượt hơn 1.000 người tham dự.

• Những thành tựu này kế thừa từ nghiên cứu Transformer² về học liên tục cho mô hình ngôn ngữ lớn hồi tháng 1. Chuỗi tiến bộ này thể hiện rõ triết lý của Sakana AI: evolve (tiến hóa mã), iterate (lặp giải pháp), và dùng agent mô-đun lấy cảm hứng từ tự nhiên để giải bài toán từng cần cả đội kỹ sư.

📌 Sakana AI đang định hình tương lai AI cộng tác với thuật toán AB-MCTS – cho phép nhiều mô hình như ChatGPT và Gemini cùng làm việc, giúp nâng tỷ lệ thành công lên 30% trên ARC-AGI-2. Kết hợp cùng TreeQuest, Darwin-Gödel Machine và agent ALE, công ty Nhật Bản này đang tạo ra hệ sinh thái AI mô-đun có khả năng tự tiến hóa, học liên tục và giải quyết các bài toán mà trước đây chỉ có con người mới xử lý được.

https://the-decoder.com/sakana-ais-new-algorithm-lets-large-language-models-work-together-to-solve-complex-problems/