A frissen alapított AI-kutató startup, Recursive, bemutatta, hogy automatizált kutatórendszere segítségével új állástáblázatos (state-of-the-art) eredményeket ért el kis nyelvi modellek és GPU-kernel optimalizáció terén. A vállalat szerint a rendszer képes automatizálni a kutatási ciklust: ötleteket javasol, megvalósítja azokat, kísérleteket futtat, érvényesíti az eredményeket, majd a tanultak alapján választja ki a következő kísérletet.
Milyen eredményeket értek el
A Recursive a rendszerét három benchmarkon használta sikerrel:
- NanoChat Autoresearch: „Kis nyelvi modell edzése a lehető legjobb teljesítményre korlátozott számítási erőforrás mellett.” A startup állítása szerint ezen a feladaton új state-of-the-art eredményt ért el.
- NanoGPT Speedrun: „Kis nyelvi modell edzése adott teljesítmény elérésére a lehető leggyorsabban.” Itt is jobb eredményt mutattak be.
- SOL-ExecBench: „GPU-kernel optimalizálása a hardver korlátai felé.” A Recursive szerint a rendszer ezen a területen is új csúcsokat állított fel.
A bemutatott eredmények célja, hogy illusztrálják a rendszer gyakorlati működését és képességét a kutatási folyamat automatizálására.
Miért fontos ez
A cég szerint ezek az eredmények korai jelei annak, hogy a rekurszív önfejlesztés (recursive self-improvement) megközelítése képes előrelépést hozni az AI-tréning és az infrastruktúra-optimalizáció terén, különösen akkor, ha a célnak világos, mérhető és gyorsan értékelhetőnek kell lennie. A legfontosabb kérdés a jövőre nézve az, hogy hasonló megközelítés mennyire lesz ismételhető és hatékony olyan feladatokban, ahol a cél kevésbé egyértelmű, nehezebben mérhető, vagy lassú az értékelés.
Összefoglalás
A Recursive demonstrációja nem bizonyítja önmagában a rekurszív önfejlesztés általános működését minden területen, de a bemutatott benchmark-eredmények fontos korai indikátoroknak tekinthetők arra, hogy az automatizált kutatási ciklus hatékonyan alkalmazható jól definiált és gyorsan értékelhető célokon.
