I ricercatori hanno presentato il framework SIFT per accelerare l'autoapprendimento degli agenti AI

I ricercatori hanno presentato SIFT (Recursive Self Improvement via Fast Tree-search) — un framework per il miglioramento autosufficiente ricorsivo degli agenti di codifica. Il sistema consente ai modelli di modificare il proprio codice, minimizzando allo stesso tempo i costi delle risorse computazionali normalmente richieste per valutare l'efficacia delle modifiche.

Il principale collo di bottiglia delle soluzioni esistenti è la necessità di eseguire più volte i benchmark per verificare ogni iterazione del codice. In SIFT questo processo è stato sostituito dall'utilizzo di LLM come giudice, che esegue un confronto a coppie dei candidati per il miglioramento. I risultati dei confronti vengono aggregati utilizzando il modello di Bradley-Terry, formando stime di forza che guidano la ricerca nell'albero delle decisioni.

Le costose esecuzioni dei test nella nuova architettura vengono eseguite solo per i nodi più promettenti, selezionati in base all'analisi preliminare del giudice. Questo approccio riduce notevolmente il consumo di ore di CPU e i costi delle chiamate API rispetto ai metodi di ricerca tradizionali, mantenendo allo stesso tempo un'elevata precisione nella generazione del codice.

Durante il test sul benchmark Polyglot, il framework ha dimostrato la sua superiorità rispetto ai sistemi esistenti di autoevoluzione basati sulla ricerca dell'albero. La ricerca conferma che l'utilizzo di segnali intermedi dal modello giudice consente agli agenti di esplorare più efficacemente lo spazio delle possibili modifiche senza sovraccaricare l'infrastruttura computazionale.

Questo sviluppo cambia l'approccio alla creazione di sistemi autonomi in grado di autoottimizzarsi. Il passaggio da un'analisi completa dei test al ranking dei candidati tramite LLM-as-a-judge rende il processo di miglioramento iterativo del codice accessibile per la realizzazione in condizioni di rigidi vincoli di budget.