ASI-Evolve: KI beschleunigt KI

ASI-Evolve: AI Accelerates AI

March 31, 2026

Autoren: Weixian Xu, Tiantian Mi, Yixiu Liu, Yang Nan, Zhimeng Zhou, Lyumanshan Ye, Lin Zhang, Yu Qiao, Pengfei Liu

cs.AI

Zusammenfassung

Kann KI die Entwicklung von KI selbst beschleunigen? Während neuere agentenbasierte Systeme bei klar umrissenen Aufgaben mit schnellem Feedback starke Leistungen gezeigt haben, bleibt unklar, ob sie die kostspieligen, langfristigen und schwach überwachten Forschungszyklen bewältigen können, die den echten KI-Fortschritt vorantreiben. Wir stellen ASI-Evolve vor, einen agentenbasierten Rahmen für KI-für-KI-Forschung, der diese Lücke durch einen Lern-Design-Experimentier-Analyse-Zyklus schließt. ASI-Evolve erweitert standardmäßige evolutionäre Agenten um zwei Schlüsselkomponenten: eine Kognitionsbasis, die akkumulierte menschliche Vorannahmen in jede Runde der Exploration einbringt, und einen dedizierten Analyzer, der komplexe experimentelle Ergebnisse in wiederverwertbare Erkenntnisse für zukünftige Iterationen destilliert. Unseres Wissens ist ASI-Evolve der erste vereinheitlichte Rahmen, der KI-gesteuerte Entdeckung über drei zentrale Komponenten der KI-Entwicklung hinweg demonstriert: Daten, Architekturen und Lernalgorithmen. Im Bereich des neuronalen Architekturentwurfs entdeckte es 105 State-of-the-Architekturen für lineare Aufmerksamkeit, wobei das beste entdeckte Modell DeltaNet um +0,97 Punkte übertraf – fast das Dreifache des Zugewinns durch recente menschlich gestaltete Verbesserungen. Bei der Kuratierung von Vortrainingsdaten verbessert die evolvierte Pipeline die durchschnittliche Benchmark-Leistung um +3,96 Punkte, mit Steigerungen von über 18 Punkten auf MMLU. Im Bereich des Reinforcement-Learning-Algorithmenentwurfs übertreffen die entdeckten Algorithmen GRPO um bis zu +12,5 Punkte auf AMC32, +11,67 Punkte auf AIME24 und +5,04 Punkte auf OlympiadBench. Wir liefern zudem erste Hinweise, dass dieses KI-für-KI-Paradigma über den KI-Stack hinaus transferieren kann, durch Experimente in Mathematik und Biomedizin. Zusammengenommen deuten diese Ergebnisse darauf hin, dass ASI-Evolve einen vielversprechenden Schritt darstellt, um KI zu befähigen, KI über die grundlegenden Entwicklungsstadien hinweg zu beschleunigen, und liefern frühe Evidenz für die Machbarkeit geschlossener KI-Forschungszyklen.

English

Can AI accelerate the development of AI itself? While recent agentic systems have shown strong performance on well-scoped tasks with rapid feedback, it remains unclear whether they can tackle the costly, long-horizon, and weakly supervised research loops that drive real AI progress. We present ASI-Evolve, an agentic framework for AI-for-AI research that closes this loop through a learn-design-experiment-analyze cycle. ASI-Evolve augments standard evolutionary agents with two key components: a cognition base that injects accumulated human priors into each round of exploration, and a dedicated analyzer that distills complex experimental outcomes into reusable insights for future iterations. To our knowledge, ASI-Evolve is the first unified framework to demonstrate AI-driven discovery across three central components of AI development: data, architectures, and learning algorithms. In neural architecture design, it discovered 105 SOTA linear attention architectures, with the best discovered model surpassing DeltaNet by +0.97 points, nearly 3x the gain of recent human-designed improvements. In pretraining data curation, the evolved pipeline improves average benchmark performance by +3.96 points, with gains exceeding 18 points on MMLU. In reinforcement learning algorithm design, discovered algorithms outperform GRPO by up to +12.5 points on AMC32, +11.67 points on AIME24, and +5.04 points on OlympiadBench. We further provide initial evidence that this AI-for-AI paradigm can transfer beyond the AI stack through experiments in mathematics and biomedicine. Together, these results suggest that ASI-Evolve represents a promising step toward enabling AI to accelerate AI across the foundational stages of development, offering early evidence for the feasibility of closed-loop AI research.