사카나 AI, LLM 협업 알고리즘 공개…복합 문제 해결 능력 향상 기대

AB-MCTS 기술, 여러 LLM이 상호작용하며 문제 해결
단일 모델 능가하는 성능 입증…오픈소스 'TreeQuest'로 배포

LLM 호출이 증가함에 따라 다중 LLM 조합은 ARC-AGI-2에서 AB-MCTS의 Pass@k 성능을 현저히 향상시키며, o4-mini + Gemini-2.5-Pro ​​+ R1-0528은 단일 모델보다 우수한 성능을 보입니다. ❘ 이미지: Sakana AI

 

일본의 인공지능 스타트업 사카나 AI(Sakana AI)가 대규모 언어 모델(LLM)들이 복잡한 문제를 함께 해결할 수 있도록 돕는 새로운 알고리즘을 공개하며 인공지능 분야에 새로운 지평을 열었다. 이 기술은 '적응형 분기 몬테카를로 트리 탐색(Adaptive Branching Monte Carlo Tree Search, AB-MCTS)'으로 명명되었으며, 여러 AI 모델이 마치 인간 팀처럼 아이디어를 교환하고 개선하며 문제를 해결하는 방식이다.

반응형

AB-MCTS는 깊이 우선 탐색과 너비 우선 탐색 전략을 결합하여, 각 작업에 가장 적합한 모델(예: ChatGPT 또는 Gemini)을 동적으로 선택한다. 이는 단일 모델이 해결하기 어려운 복합적인 문제에 대해 여러 LLM의 강점을 활용하여 시너지를 창출하는 데 초점을 맞춘다. 사카나 AI의 테스트 결과에 따르면, AB-MCTS를 적용한 다중 LLM 시스템은 ARC-AGI-2 벤치마크에서 단일 모델보다 뛰어난 성능을 보였다. 이는 AI가 더욱 복잡하고 추상적인 문제 해결 능력을 갖추게 될 가능성을 시사한다.

 

사카나 AI는 이 혁신적인 알고리즘을 'TreeQuest'라는 이름의 오픈소스 소프트웨어로 공개하여 전 세계 개발자와 연구자들이 이 기술을 활용하고 개선할 수 있도록 했다. 이는 AI 연구의 투명성을 높이고 공동 발전을 촉진하는 데 기여할 것으로 평가된다. 사카나 AI는 앞으로도 AB-MCTS의 성능을 더욱 향상시키기 위한 새로운 방법론을 지속적으로 개발할 계획이다.

 

 

참고링크: 관련 정보는 The Decoder 웹사이트 (https://the-decoder.com/sakana-ais-new-algorithm-lets-large-language-models-work-together-to-solve-complex-problems/)를 참조하십시오.