Sakana AI, Karmaşık Sorunlar için Yapay Zekâ Modellerini Ortaklaşa Kullanan Algoritmasını Yayınladı
Tokyo merkezli Sakana AI, birden fazla yapay zekâ modelinin birlikte çalışmasını sağlayan açık kaynaklı yeni bir algoritma geliştirdi. Şirket, bu algoritmayı “Adaptive Branching Monte Carlo Tree Search” (AB-MCTS) adıyla kamuoyuyla paylaştı.
Yeni Sistem Uygulama Anında Doğru Model Seçimi Yapabiliyor
AB-MCTS algoritması, yapay zekâ alanında test zamanı hesaplama ölçeklendirmesine farklı bir boyut kazandırıyor. Bu sistem, bir problemle karşılaştığında yalnızca daha uzun akıl yürütme mi yoksa daha geniş seçenek araştırması mı gerektiğini değerlendirmiyor. Aynı zamanda hangi yapay zekâ modelinin görev için daha uygun olduğunu da seçebiliyor. Karmaşıklığı yüksek problemlerle karşılaşıldığında ise birden fazla model aynı anda devreye girebiliyor.
Sakana AI, X (eski adıyla Twitter) üzerinden yaptığı açıklamada, yeni algoritmanın modeller arasında kolektif düşünme ortamı sunduğunu duyurdu. Şirketin paylaştığı test örneklerinde Gemini 2.5 Pro, o4-mini ve DeepSeek-R1 gibi öncü modellerin birlikte çalıştığı görülüyor.
Sakana AI’nın uzun süredir üzerinde çalıştığı bu sistem, 2024 yılında yayınlanan “evrimsel model birleştirme” başlıklı bilimsel makaleye dayanıyor. Şirket, bu araştırmanın devamı olarak AB-MCTS algoritmasını geliştirdi. Sistem, görev sırasında çeşitli modelleri sınırlı işlem gücüyle devreye alabiliyor, farklı bakış açıları sunan çıktılar oluşturabiliyor ve birden fazla modeli senkronize şekilde çalıştırabiliyor.
Şirket araştırmacıları, yeni algoritmayı ARC-AGI-2 adlı zorluk seviyesi yüksek bir benchmark üzerinde test etti. Bu testlerde AB-MCTS, o4-mini, Gemini 2.5 Pro ve R1-0528 modellerini birlikte kullanarak her birinin tek başına gösterdiği performansın üzerine çıktı. Örneğin o4-mini, bağımsız çalıştığında yüzde 23 başarıya ulaşırken AB-MCTS içinde çalıştığında bu oran yüzde 27,5’e yükseldi.
Sakana AI, geliştirdiği TreeQuest algoritmasını GitHub sayfasında yayınladı. Şirket, ayrıca ARC-AGI deneylerinin sonuçlarını ve ilgili teknik verileri arXiv üzerinde erişime açtı. Yeni sistem, modellerin güçlü yönlerini bir araya getirirken bireysel hataları dengeleyen bir yaklaşım sunuyor.
