นักวิจัยเสนอ RSI-Dojo ฝึกเอเจนต์ AI ให้ปรับปรุงโมเดลเอง
งานวิจัยใหม่บน arXiv เสนอสภาพแวดล้อมฝึกที่ให้เอเจนต์ AI เรียนรู้การทำ post-training ให้โมเดลพื้นฐาน แต่ผลลัพธ์ยังไม่มีแหล่งอิสระยืนยัน
ทีมวิจัยเผยแพร่เปเปอร์ชื่อ Training LLM Agents to Automate LLM Post-Training with RSI-Dojo บนเว็บ arXiv รหัส 2611.03698v1 หมวด cs.AI โดยพุ่งเป้าไปที่แนวคิด Recursive Self-Improvement (RSI) หรือการปรับปรุงตัวเองแบบวนซ้ำ ซึ่งหมายถึงการให้ระบบ AI สร้างและปรับปรุงระบบ AI เองได้ ทั้งตัวโมเดล เครื่องมือห่อหุ้ม (harness) และโครงสร้างพื้นฐานที่อยู่เบื้องหลัง
ในบทคัดย่อ ผู้เขียนระบุว่าความสามารถหลักที่ต้องการคือให้เอเจนต์ฝึกและปรับปรุงโมเดลพื้นฐาน (base model) ได้ด้วยตัวเอง งานวิจัยก่อนหน้าส่วนใหญ่มุ่งปรับ ขั้นตอนการทำงาน (workflow) หรือเครื่องมือรอบโมเดล มากกว่าการทำให้โมเดลมีความสามารถด้าน post-training อยู่ในตัวเอง
เพื่อแก้จุดนี้ ผู้เขียนเสนอ RSI-Dojo ซึ่งอธิบายว่าเป็นชุดสภาพแวดล้อมการฝึกโมเดลที่รันได้จริง ใช้สร้างบันทึกการทำงานเชิงลำดับ (trajectories) ที่แสดงให้เห็นขั้นตอนการเลือกข้อมูล ฝึกโมเดล วินิจฉัยความล้มเหลว และปรับผลลัพธ์ซ้ำ ๆ
ข้อควรระวัง: ข่าวนี้อ้างจากบทคัดย่อที่เห็นเท่านั้น ซึ่งตัดตอนก่อนจบ จึงยังไม่ทราบรายละเอียดเชิงเทคนิคของ RSI-Dojo ครบถ้วน และยังไม่พบสื่อหรือแหล่งทางการอิสระที่รายงานผลการทดลองของงานนี้ ตัวเลขผลลัพธ์ใด ๆ จึงยังไม่ถือว่าได้รับการยืนยัน
หากแนวทางนี้ใช้ได้จริง เอเจนต์ AI อาจช่วยงานปรับแต่งโมเดลที่ปกติต้องพึ่งผู้เชี่ยวชาญจำนวนมากได้มากขึ้น แต่ตอนนี้ยังเป็นงานวิจัยระยะต้นที่ยังไม่มีหลักฐานอิสระว่าใช้ได้ในระดับใช้งานจริง