ASI-Evolve: AI Versnelt AI
ASI-Evolve: AI Accelerates AI
March 31, 2026
Auteurs: Weixian Xu, Tiantian Mi, Yixiu Liu, Yang Nan, Zhimeng Zhou, Lyumanshan Ye, Lin Zhang, Yu Qiao, Pengfei Liu
cs.AI
Samenvatting
Kan AI de ontwikkeling van AI zelf versnellen? Hoewel recente agent-systemen sterke prestaties hebben getoond bij goed afgebakende taken met snelle feedback, is het nog onduidelijk of zij de kostbare, langetermijn- en zwak begeleide onderzoekscycli aankunnen die echte AI-vooruitgang aandrijven. Wij presenteren ASI-Evolve, een agent-raamwerk voor AI-voor-AI-onderzoek dat deze cyclus sluit via een leer-ontwerp-experimenteer-analyseer-proces. ASI-Evolve versterkt standaard evolutionaire agenten met twee cruciale componenten: een cognitiebasis die opgebouwde menselijke aannames injecteert in elke ronde van exploratie, en een speciale analyzer die complexe experimentele uitkomsten destilleert tot herbruikbare inzichten voor toekomstige iteraties. Voor zover wij weten is ASI-Evolve het eerste verenigde raamwerk dat AI-gedreven ontdekking aantoont over drie centrale componenten van AI-ontwikkeling: data, architecturen en leeralgorithmen. Bij het ontwerpen van neurale architecturen ontdekte het 105 state-of-the-art lineaire aandacht-architecturen, waarbij het beste ontdekte model DeltaNet overtrof met +0,97 punten – bijna 3x de winst van recente door mensen ontworpen verbeteringen. Bij het cureren van pretrainingsdata verbetert de geëvolueerde pijplijn de gemiddelde benchmarkprestatie met +3,96 punten, met winsten boven de 18 punten op MMLU. Bij het ontwerpen van reinforcement learning-algorithmen presteren de ontdekte algoritmen tot +12,5 punten beter dan GRPO op AMC32, +11,67 punten op AIME24 en +5,04 punten op OlympiadBench. Wij leveren verder eerste bewijzen dat dit AI-voor-AI-paradigma kan worden overgedragen buiten de AI-stack via experimenten in wiskunde en biomedische wetenschappen. Gezamenlijk suggereren deze resultaten dat ASI-Evolve een veelbelovende stap vertegenwoordigt naar AI die AI kan versnellen over de fundamentele ontwikkelingsfasen heen, en bieden ze vroeg bewijs voor de haalbaarheid van gesloten-lus AI-onderzoek.
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.