ASI-Evolve: A IA Acelera a IA
ASI-Evolve: AI Accelerates AI
March 31, 2026
Autores: Weixian Xu, Tiantian Mi, Yixiu Liu, Yang Nan, Zhimeng Zhou, Lyumanshan Ye, Lin Zhang, Yu Qiao, Pengfei Liu
cs.AI
Resumo
A IA pode acelerar o desenvolvimento da própria IA? Embora sistemas agentes recentes tenham demonstrado alto desempenho em tarefas bem delimitadas com *feedback* rápido, ainda não está claro se eles podem lidar com os ciclos de pesquisa custosos, de longo prazo e com supervisão fraca que impulsionam o progresso real da IA. Apresentamos o ASI-Evolve, uma estrutura agente para pesquisa de IA-para-IA que fecha esse ciclo por meio de um processo de aprender-projetar-experimentar-analisar. O ASI-Evolve amplia os agentes evolutivos padrão com dois componentes principais: uma base de cognição que injeta *priors* humanos acumulados em cada rodada de exploração e um analisador dedicado que destila resultados experimentais complexos em *insights* reutilizáveis para iterações futuras. Até onde sabemos, o ASI-Evolve é a primeira estrutura unificada a demonstrar a descoberta dirigida por IA em três componentes centrais do desenvolvimento de IA: dados, arquiteturas e algoritmos de aprendizado. No projeto de arquiteturas neurais, ele descobriu 105 arquiteturas de atenção linear *state-of-the-art* (SOTA), com o melhor modelo descoberto superando o DeltaNet em +0,97 pontos, um ganho quase 3 vezes maior que as melhorias recentes projetadas por humanos. Na curadoria de dados de pré-treinamento, o *pipeline* evoluído melhora o desempenho médio em *benchmarks* em +3,96 pontos, com ganhos superiores a 18 pontos no MMLU. No projeto de algoritmos de aprendizado por reforço, os algoritmos descobertos superam o GRPO em até +12,5 pontos no AMC32, +11,67 pontos no AIME24 e +5,04 pontos no OlympiadBench. Adicionalmente, fornecemos evidências iniciais de que esse paradigma de IA-para-IA pode ser transferido para além da pilha de IA por meio de experimentos em matemática e biomedicina. Juntos, esses resultados sugerem que o ASI-Evolve representa um passo promissor em direção à capacitação da IA para acelerar a IA através dos estágios fundamentais de desenvolvimento, oferecendo evidências preliminares sobre a viabilidade da pesquisa em IA de ciclo fechado.
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.