ASI-Evolve: Искусственный интеллект ускоряет развитие ИИ

ASI-Evolve: AI Accelerates AI

March 31, 2026

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

cs.AI

Аннотация

Способен ли ИИ ускорить собственное развитие? Хотя современные агентные системы демонстрируют высокую производительность в четко определенных задачах с быстрой обратной связью, остается неясным, могут ли они справляться с дорогостоящими, долгосрочными и слабо контролируемыми исследовательскими циклами, которые лежат в основе реального прогресса в области ИИ. Мы представляем ASI-Evolve — агентный фреймворк для исследований в области «ИИ-для-ИИ», который замыкает этот цикл через процесс «обучение-проектирование-эксперимент-анализ». ASI-Evolve расширяет стандартных эволюционных агентов двумя ключевыми компонентами: когнитивной базой, которая внедряет накопленные человеческие априорные знания в каждый раунд исследования, и специализированным анализатором, который преобразует сложные результаты экспериментов в переиспользуемые инсайты для будущих итераций. Насколько нам известно, ASI-Evolve является первой унифицированной системой, демонстрирующей открытия, осуществленные средствами ИИ, в трех ключевых компонентах разработки ИИ: данных, архитектурах и алгоритмах обучения. В области проектирования нейронных архитектур система обнаружила 105 передовых архитектур линейного внимания, причем лучшая из обнаруженных моделей превзошла DeltaNet на +0.97 пункта, что почти в 3 раза превышает достижения недавних улучшений, разработанных человеком. В курации данных для предварительного обучения разработанный конвейер улучшил среднюю производительность на бенчмарках на +3.96 пункта, с приростом более 18 пунктов на MMLU. В проектировании алгоритмов обучения с подкреплением обнаруженные алгоритмы превзошли GRPO на величину до +12.5 пунктов на AMC32, +11.67 пунктов на AIME24 и +5.04 пунктов на OlympiadBench. Мы также предоставляем первоначальные свидетельства того, что парадигма «ИИ-для-ИИ» может быть перенесена за пределы стека ИИ, что показано в экспериментах в области математики и биомедицины. В совокупности эти результаты позволяют предположить, что ASI-Evolve представляет собой многообещающий шаг к реализации возможности ускорения развития ИИ средствами самого ИИ на фундаментальных стадиях разработки, предлагая ранние доказательства осуществимости замкнутого цикла исследований в области ИИ.

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.