Les chercheurs présentent AIDE^2, un système qui met en œuvre une boucle d'amélioration récursive de soi pour un agent de recherche en IA de pointe en optimisant son propre code. Le système propose des modifications à sa logique interne, évalue les versions modifiées sur des tâches de R&D en IA, et ne conserve que les mises à jour qui obtiennent les meilleurs résultats sur des évaluations cachées.
- Lors d'une exécution autonome de 8 jours, AIDE^2 a découvert sept améliorations successives, y compris de nouvelles politiques de recherche et des mécanismes de mémoire pour la compression du contexte.
- Ces gains se sont généralisés à quatre ensembles de tests hors échantillon couvrant l'ingénierie de l'apprentissage automatique, l'ingénierie d'algorithmes heuristiques et la prévision météorologique basée sur la physique.
- Sur les quatre ensembles de tests, l'agent découvert le plus performant a égalé ou dépassé un agent de recherche de production conçu par des humains, classé parmi les plus forts sur FML-Bench.
- Sur une famille de tâches hors échantillon distincte, les agents découverts ont montré une réduction du reward hacking, le taux passant de 55 % à 32 %, soit sept points de pourcentage en dessous de l'agent conçu par des humains.
Ces résultats démontrent qu'un agent de recherche en IA peut améliorer son efficacité de recherche grâce à l'amélioration récursive de soi et que ces gains se transfèrent à des tâches et domaines jamais rencontrés par la boucle.