Et nyt forskningspapir fra University of Minnesota introducerer Meta^n, en metode der lader sprogmodeller forbedre sig selv gennem rekursiv dybde – uden at ændre på den kerneoperation, der driver forbedringen. Resultatet er markante spring i ydeevne på otte benchmark-familier, inklusive ARC-AGI-2, hvor metoden er den eneste, der scorer over nul. Læs papiret.
Traditionelle selvforbedrende agenter forsøger at forfine deres egne svar eller tilføje et meta-niveau, men de støder hurtigt på en grænse: Hvis systemet ændrer på den mekanisme, der styrer forbedringen, risikerer det at blive ustabilt. Meta^n løser dette ved at holde operationen Ω fast og i stedet lade den gentage på sine egne produkter. Hvert lag læser de tidligere lag – både spor og kode – og skriver næste lag som en strategisk forbehandling og et bibliotek af hjælpefunktioner.
Fordi Ω aldrig ændrer sig, forbliver systemet stabilt, og fordi inputtet vokser for hver iteration, kan hvert nyt lag ræsonnere fra et højere udgangspunkt. Dybden bestemmes af konvergens, ikke af en fastlagt grænse, og et evolutionært arkiv søger over kæder af lag. Koden er offentligt tilgængelig.
For beslutningstagere er det væsentlige ikke de tekniske detaljer, men konsekvensen: Meta^n peger på en vej mod AI-systemer, der kan forbedre sig selv i længere tid uden at kræve manuel justering – og som klarer opgaver, der er designet til at modstå genveje og memorisering. Det kan betyde, at virksomheder, der investerer i AI-agenter, får systemer, der bliver ved med at blive bedre uden løbende intervention, og at forskningsmiljøer får et værktøj til at presse modeller længere end hidtil.
