Nytt AI-system förbättrar sig självt i flera lager – klarar som enda system ARC-AGI-2

arXiv cs.AI

Forskare presenterar Meta^n, ett system där en AI-agent förbättrar sig själv genom att rekursivt stapla resonemangslager ovanpå varandra – snarare än att ändra sin egen grundlogik, vilket tidigare skapat instabilitet. På det svåra riktmärket ARC-AGI-2, designat för att motverka ren memorering, är Meta^n det enda systemet som överhuvudtaget poängsätter över noll. Intressant nog uppstår tydliga rollfördelningar mellan lagren utan att någon instruktion föreskriver det.