A Sakana AI lançou o AB-MCTS, um algoritmo open-source que permite a colaboração entre diferentes modelos de IA, como Gemini 2.5 Pro e OpenAI o4-mini, para resolver problemas complexos.
A Sakana AI lançou um algoritmo open-source inovador que possibilita a colaboração entre múltiplos modelos de inteligência artificial em problemas complexos. Chamado de Adaptive Branching Monte Carlo Tree Search (AB-MCTS), o algoritmo adiciona uma nova dimensão ao framework existente, permitindo que os modelos decidam qual abordagem é mais adequada para cada tarefa.
Lançamento do algoritmo pela Sakana AI
A Sakana AI anunciou o lançamento de um algoritmo open-source que promete revolucionar a forma como os modelos de IA colaboram em tarefas complexas.
O algoritmo, chamado Adaptive Branching Monte Carlo Tree Search (AB-MCTS), foi disponibilizado na plataforma GitHub para que desenvolvedores e pesquisadores possam explorá-lo e testá-lo em suas próprias aplicações.
O AB-MCTS é um algoritmo que funciona durante o tempo de inferência, ou seja, no momento em que o sistema toma decisões sobre qual modelo de IA utilizar para resolver um problema específico.
Essa inovação permite que o sistema não apenas escolha entre raciocínio mais prolongado ou exploração mais ampla, mas também decida qual modelo de IA é mais adequado para a tarefa.
Isso é particularmente útil em situações onde a complexidade do problema exige a utilização de múltiplos modelos de IA.
Segundo a Sakana AI, a criação do AB-MCTS é resultado de anos de pesquisa focada em como combinar as forças e eliminar os vieses dos modelos de IA para alcançar um desempenho superior.
A empresa publicou anteriormente um artigo sobre “fusão evolutiva de modelos”, que serviu como base para o desenvolvimento deste novo algoritmo.
Impacto na colaboração entre modelos de IA
O lançamento do algoritmo AB-MCTS pela Sakana AI marca um avanço significativo na colaboração entre modelos de inteligência artificial.
Ao permitir que vários modelos trabalhem juntos em um mesmo problema, o algoritmo cria um ambiente de inteligência coletiva.
Isso é alcançado ao combinar modelos de ponta, como o Gemini 2.5 Pro, OpenAI o4-mini e DeepSeek-R1, que colaboram para superar as limitações individuais e otimizar o desempenho geral.
O impacto dessa abordagem é evidente nos testes realizados pela Sakana AI, onde o sistema AB-MCTS foi aplicado ao benchmark ARC-AGI-2.
Os resultados mostraram que a colaboração entre os modelos levou a um aumento no desempenho, com o sistema superando as capacidades dos modelos individualmente.