Mendel Gödel Machine: ИИ-агент учится переписывать свой код, сравнивая прошлые попытки

Самоулучшающиеся кодинг-агенты, которые сами переписывают свой исходный код, уже показывают сильные результаты на задачах программирования. Но, по словам авторов, существующие решения обычно правят себя по одной-единственной неудачной попытке за раз, и теряют богатый сравнительный сигнал, который накапливается в растущем архиве всех прошлых попыток агента.

Авторы предлагают Mendel Gödel Machine (MGM), архитектуру, построенную по принципам менделевской генетики с контролируемым наследованием признаков. Помимо обычной «клональной мутации» по одной траектории, MGM добавляет два новых способа самоизменения. Первый, «мутация нормы реакции», правит агента сразу по его траекториям на нескольких задачах одновременно. Второй, «межлинейная гибридизация», правит агента, используя траекторию агента-эталона из другой линии, решавшего ту же задачу.

Авторы теоретически доказывают и подтверждают на контролируемой суррогатной симуляции, в рамках модели аддитивного ландшафта приспособленности, что новые стратегии дают более быструю и качественную сходимость по сравнению с базовым подходом на одной траектории. Эксперименты на бенчмарках SWE-bench и Polyglot подтверждают устойчивое улучшение MGM по производительности, эффективности и обобщающей способности; конкретных числовых результатов в тексте не приводится.

Ключевые факты

MGM добавляет к обычной «клональной мутации» по одной траектории два новых способа самоизменения агента
«Мутация нормы реакции» правит агента сразу по нескольким его прошлым траекториям на разных задачах
«Межлинейная гибридизация» правит агента, используя траекторию агента-эталона из другой линии на той же задаче
В рамках модели аддитивного ландшафта приспособленности авторы доказывают теоретически и подтверждают симуляцией более быструю и качественную сходимость новых стратегий
Эксперименты на SWE-bench и Polyglot показали устойчивое улучшение MGM по производительности, эффективности и обобщающей способности (конкретные цифры не приведены)

Почему это важно

Существующие самоулучшающиеся кодинг-агенты правят свой код, глядя всего на одну неудачную попытку за раз, и упускают сравнительный сигнал из всего архива прошлых попыток. MGM закрывает именно этот пробел, вводя два новых механизма самоизменения, которые используют сразу несколько траекторий, по аналогии с менделевскими принципами наследования признаков.

Кому это важно

Работа адресована исследователям и инженерным командам, которые строят самоулучшающиеся или самомодифицирующиеся кодинг-агенты и системы автоматического исправления кода, то есть тем, кто занимается эволюционными подходами к развитию ИИ-агентов.

Как это применить

Это исследовательская архитектура, а не готовый продукт: в тексте нет ни цены, ни лицензии, ни инструкций по установке. Метод проверен экспериментально на бенчмарках SWE-bench и Polyglot, что указывает на применимость к практическим задачам программирования, но конкретные шаги внедрения в тексте не описаны.

Можно ли доверять

Материал, препринт на arXiv (Hugging Face Papers), в исходном тексте не указаны ни полный список авторов, ни аффилиации. Заявления подкреплены теоретическим доказательством, контролируемой суррогатной симуляцией и экспериментами на двух признанных бенчмарках (SWE-bench, Polyglot), но конкретные числовые результаты в доступном тексте не приведены, судить о масштабе улучшения по одному описанию нельзя.

Риски и подводные камни

Улучшение названо «устойчивым» без цифр, поэтому сравнить его с другими подходами по величине эффекта пока нельзя. Теоретическое доказательство опирается на упрощённую модель аддитивного ландшафта приспособленности, насколько она соответствует реальным задачам программирования за пределами SWE-bench и Polyglot, из текста не ясно.