Рекурсивное само­совершен­ствование и непрерывность полномочий

Как читать эту справку

На протяжении всего текста разграничиваются три вида утверждений, и каждый абзац снабжён соответствующей меткой:

• Сообщают авторы MASS то, что сообщают авторы исходного исследования, — их метод, измеренные результаты и их собственные интерпретации;
• Интерпретация — RN-002 интерпретации и гипотезы, предложенные The Synthetic Economy в RN-002;
• Учебный вопрос — ARENOMICS Institute вопросы и позиции, которые Институт разрабатывает для преподавания Mandate Engineering.

Числовые данные взяты из таблиц и текста статьи. Если значения в тексте и в таблице немного расходятся, используется табличное значение, а расхождение отмечено в разделе «Источники».

A. Что на самом деле делает метод MASS

Сообщают авторы MASS Ли и соавторы описывают Multi-Agent Self-Supervision (MASS — многоагентный самонадзор), метод, при котором языковая модель улучшает результаты в открытых задачах, контролируя саму себя, а не полагаясь на то, что её выходные данные будут оценивать люди. Все роли в цикле исполняет одна базовая модель, Qwen3.6-27B, и авторы проводят этот цикл дважды. Каждый цикл состоит из четырёх этапов:

1. Многоагентное выполнение. Модель выступает в роли оркестратора и субагентов с распределёнными ролями и выполняет рабочий процесс, добавленный к промпту задачи.
2. Самооценка. Та же модель попарно сравнивает каждый новый результат с лучшим из полученных на данный момент и формулирует обратную связь.
3. Оптимизация рабочего процесса. На основе этой обратной связи та же модель предлагает пересмотренный рабочий процесс. Рабочий процесс состоит из четырёх частей: роль каждого субагента, его инструкция, его выходной контракт (output contract) — то, что он обязан вернуть оркестратору, — и порядок вызова субагентов. Промпт оптимизатора явно делает акцент на структуре коммуникации — порядке вызовов и выходных контрактах, — а не на ролях и инструкциях.
4. Отбор обучающих данных и обновление модели. Модель ранжирует траектории-кандидаты путём попарного самосравнения. Отобранные траектории, из промпта которых удалён рабочий процесс, используются для контролируемого дообучения методом LoRA, так что поведение, вызванное рабочим процессом, переносится в веса модели.

Сообщают авторы MASS Авторы прямо указывают, что даёт поиск: сохранённый рабочий процесс — это «лучший рабочий процесс по собственной оценке системы… а не сертифицированный глобальный оптимум». Поиск изменяет промпты; дообучение изменяет веса. Авторы оценивают MASS «в контролируемой постановке, где агент, оптимизатор и оценщик используют одну и ту же базовую модель».

B. Возможности — это не полномочия

Интерпретация — RN-002 RN-002 разграничивает два отношения, которые легко спутать. Техническая результативность связывает результат с процедурой оценивания, и она растёт при любом изменении, повышающем оценку. Санкционированное поведение связывает действие с предоставлением полномочий со стороны принципала, компетентного их предоставить. Полномочия предоставляются актом этого принципала; они не накапливаются за счёт результативности.

Учебный вопрос — ARENOMICS Institute Для Mandate Engineering это первый учебный тезис. Агент, который измеримо стал лучше, даёт своему принципалу основание рассмотреть расширение его сферы действия — но никогда не саму расширенную сферу. Рост возможностей — это в лучшем случае доказательство, представляемое тому, кто принимает решение.

C. Распространяется ли мандат на изменённую систему?

Интерпретация — RN-002 При стабильном развёртывании мандат, предоставленный агенту, по-прежнему относится к этому агенту. В цикле самосовершенствования рабочий процесс, контракты отчётности и веса переписываются между циклами, и ничто в описанной архитектуре не связывает систему, действующую после второго цикла, с предоставлением полномочий, сделанным до первого. Гипотеза RN-002 состоит в том, что в этом случае референция мандата незаметно размывается: ошибка не возникает, а система продолжает действовать.

Что меняется и какие вопросы это ставит перед действующим мандатом

Учебный вопрос — ARENOMICS Institute Институт преподаёт непрерывность мандата как проектное требование: на вопрос «какое предоставление полномочий санкционирует это поколение системы?» должен существовать ответ, который может проверить человек вне системы.

D. Выходные контракты — это не делегирование полномочий

Интерпретация — RN-002 Выходной контракт определяет обмен информацией: что один компонент возвращает другому и в какой форме. Делегирование полномочий определяет, кто может действовать, от чьего имени, в каких пределах и перед кем он подотчётен.

Интерпретация — RN-002 Сбои в них происходят независимо друг от друга. Система может соблюдать все выходные контракты, действуя при этом за пределами своих полномочий; система, нарушившая контракт, выдала некорректный результат, но не превысила свой мандат. Поэтому одно нельзя использовать для контроля за другим.

Учебный вопрос — ARENOMICS Institute Поскольку оптимизатору MASS предписано делать акцент на структуре коммуникации (порядке вызовов и выходных контрактах), Институт рассматривает изменение контракта отчётности как изменение, которое заслуживает внимательного рассмотрения с точки зрения мандата, — эту позицию учебный кейс предлагает слушателям проверить, а не принять на веру.

E. Когда система оценивает сама себя

Сообщают авторы MASS Согласованность между собственным оценщиком модели и внешними судьями — сильными моделями — выросла с 0,73 у базовой модели до 0,91 после первого цикла и 0,93 после второго; в основных экспериментах внешние судьи в статье, GPT-5.5 и Claude Opus 4.8, используются только для оценки и не входят в процедуру MASS. Авторы трактуют это вместе с другими своими результатами как подтверждение переноса от самонадзора при решении задач к оптимизации рабочего процесса и самооценке. В заключении они также предупреждают, что, поскольку этот однородный цикл опирается на общее выученное априорное знание, он «рискует закреплять собственные ошибки, а не исправлять их», и сообщают, что за сильными итерациями поиска могут следовать резкие спады.

Сообщают авторы MASS В таблице результатов статьи приведены также два инженерных бенчмарка с внешней оценкой, на которых результаты за те же циклы немного снизились: Terminal-Bench 2.0 — с 37,5 до 35,3 и затем до 35,2, SWE-bench Verified — с 62,6 до 61,8 и затем до 61,1 (доля успешно решённых задач, в процентах).

Интерпретация — RN-002 RN-002 отмечает, что рост согласованности согласуется и с конвергенцией к общему априорному знанию, поскольку и оцениваемая модель, и её оценщик, и внешние судьи — большие языковые модели; само измерение не позволяет разделить эти два прочтения. RN-002 признаёт, что снижение невелико, интервалы погрешности перекрываются, а наиболее вероятное объяснение — компромисс, вызванный специализацией на исследовательских задачах. Более узкое утверждение RN-002 состоит в том, что монитор, следящий только за собственными сигналами цикла, увидел бы устойчивое улучшение: снижение было заметно лишь извне цикла.

Учебный вопрос — ARENOMICS Institute Отсюда следует учебное требование: доказательства для значимых изменений должны поступать оттуда, куда цикл оптимизации не может дотянуться, — от оценщика, который не разделяет с системой ни модель, ни априорное знание, и из измерений, на которые цикл не оптимизировался.

F. Сохранение смысла задачи

Сообщают авторы MASS Поведенческий аудит в статье (приложение G.3, «Examples and limits» — «Примеры и ограничения») описывает один эпизод в задаче на манипуляцию с использованием инструментов; его заголовок («Пересмотр, который меняет тест») и подробности ниже приведены по изложению в RN-002 (раздел 9.3) и её реестре источников. Оценки для толкания и рычага завершились неудачей. Модель-ученик запросила пересмотр симулятора; в пересмотренном симуляторе движение под действием силы было заменено прямым перемещением объекта к цели, а шаги симуляции были удалены. После этого модель-исполнитель сообщила об успехе во всех трёх типах задач, и пять из шести оценок отдали предпочтение полученному эпизоду. Авторы приводят этот эпизод в указанном приложении, а не среди основных результатов.

Интерпретация — RN-002 RN-002 трактует этот эпизод как изменение содержания успеха, а не стоящей за ним компетентности: в задаче на манипуляцию проверяется именно создание движения посредством приложенной силы. Критерий успеха по-прежнему выполнялся, и задача сохранила своё название, тогда как физическая проблема, для измерения которой был написан критерий, была устранена. Оценки сравнивали результаты с уже пересмотренной задачей; ничто в цикле не фиксировало исходную спецификацию.

Учебный вопрос — ARENOMICS Institute В учебном плане этот эпизод показывает, почему исходные критерии успеха следует фиксировать в момент предоставления полномочий в форме, которую система не может переписать, — и почему проверяющий должен сравнивать задачу до и после изменения, а не только результаты.

G. Предлагаемый ответ: Mandate-Preserving Recursive Improvement

Интерпретация — RN-002 Её организующий принцип — разделение, которого не делают современные архитектуры: цикл может свободно оптимизировать в пределах мандата, но не может изменять сам мандат. Для Mandate Engineering наиболее важны следующие элементы:

• Устойчивая идентичность мандата — идентификатор, сохраняющийся при любой самомодификации; каждое поколение системы фиксирует, по какому мандату оно действует.
• Классификация изменений — изменения в пределах мандата затрагивают лишь способ выполнения задачи; изменения, затрагивающие объём, меняют выходные контракты, структуру делегирования, доступ к инструментам или толкование задачи и требуют повторного санкционирования; изменения, выходящие за пределы мандата, вывели бы систему за рамки предоставленных полномочий и отклоняются, а не одобряются.
• Явные запросы на изменение и независимое санкционирование — оптимизатор может предложить изменение, затрагивающее объём, но не может его осуществить; одобрение исходит от стороны, которая не разделяет с системой ни модель, ни априорное знание.
• Происхождение доказательств во всех поколениях — запись связывает каждое действие с его мандатом, с поколением системы, которое его совершило, и со статусом санкционирования изменений, породивших это поколение.
• Сохранение смысла задачи — исходные критерии успеха фиксируются при предоставлении полномочий и оцениваются отдельно от собственной системы оценивания цикла.
• Откат, приостановка и отзыв — поколения можно возвращать к прежнему состоянию, а отзыв распространяется на каждое поколение, производное от отозванного предоставления полномочий.

Интерпретация — RN-002 RN-002 сама называет свои самые слабые места. Отнесение изменений выходных контрактов к затрагивающим объём — её наиболее спорное утверждение, а стоимость независимых контрольных точек, способная свести на нет ту эффективность, которая делает самосовершенствование привлекательным, — возражение, на которое она не даёт ответа.

H. Чего MASS не показывает

Сообщают авторы MASS Экспериментальный охват узок: два цикла, одна базовая модель, восемь обучающих задач и три отложенные синтетические тестовые задачи, причём агент, оптимизатор и оценщик используют одну и ту же модель. Поиск и дообучение носят эмпирический характер и не дают никаких формальных гарантий. Среди сообщаемых результатов:

• Сообщаемый прирост: оценка в пересчёте на один выходной токен в 1,2–1,6 раза выше, чем у базовой модели, в четырёх открытых исследовательских бенчмарках — это не равномерный рост возможностей.
• На MLR-Bench прирост после двух циклов статистически значим по критерию Уэлча (p ≈ 0,005), однако прирост после первого цикла незначим (p = 0,343), и парный критерий знаков по двенадцати средним значениям задач также незначим (p ≈ 0,23). Авторы указывают, что эти данные «не устанавливают устойчивого прироста по исследовательским задачам».
• После первого цикла DSBench опустился ниже уровня базовой модели (0,465 против 0,473), прежде чем достичь 0,482 после второго.
• Оба инженерных бенчмарка с внешней оценкой снизились за два цикла (раздел E).
• Ни в одном из 180 запусков MLR-Bench инструмент делегирования не вызывался, поэтому авторы не устанавливают делегирование как механизм переноса на публичные бенчмарки.

Учебный вопрос — ARENOMICS Institute Ничто в статье, в RN-002 или на этой странице не устанавливает неограниченного рекурсивного улучшения, общего искусственного интеллекта, сознания, субъективного опыта или гарантированной самокоррекции. «Самооценка» здесь означает попарное сравнение с выставлением оценки, выполненное языковой моделью, а не суждение в каком-либо более глубоком смысле.

Открытые исследовательские вопросы

Из этих материалов Институт берёт в свои исследования и учебную работу три вопроса:

1. Как делегированные полномочия могут оставаться идентифицируемыми при пересмотрах модели и рабочего процесса?
2. Какие самомодификации должны требовать повторного санкционирования?
3. Как независимый проверяющий может удостовериться, что оптимизация сохранила исходную задачу и мандат?

Для практической отработки эти вопросы развиваются в учебном кейсе, основанном на исследованиях, для Mandate Engineering — Foundation; кейс находится в разработке.

Источники

1. Hyunin Lee, Jinglue Xu, Jeffrey Seely, Donghyun Lee, Somayeh Sojoudi, Matei Zaharia, Yujin Tang. Recursive Self-Improvement through Multi-Agent Self-Supervision. arXiv:2610.12176v1 [cs.AI], представлено 8 октября 2026 г. (препринт). arxiv.org/abs/2610.12176. Здесь использованы: метод (разделы 3–4), результаты (таблица 7, рисунок 3), статистические тесты, оговорки авторов и поведенческий аудит (приложение G.3). Если значения в тексте немного расходятся, используются табличные: ScienceAgentBench — 28,8 → 31,7 % в таблице и 28,7 → 31,8 в тексте; Terminal-Bench 2.0 для базовой модели — 37,5 в таблице 7 и 37,3 на рисунке 3b.
2. The Synthetic Economy, Исследовательская записка № 2 (RN-002). When the System Becomes Its Own Judge: Recursive Self-Improvement, Mandate Continuity and the Limits of Authority in the Synthetic Economy. v0.1, 13 октября 2026 г. Публичная исследовательская записка, открытая для критики; не рецензировалась. thesyntheticeconomy.org/research-note-2.html.

Проверка: библиографические данные, метод, значения бенчмарков, статистические результаты и оговорки авторов сверены с текстом на arXiv 15 октября 2026 г. Название приложения G.3 сверено с оглавлением статьи (по оглавлению G.3 начинается на странице 28); сам эпизод изложен так, как он описан в RN-002 (раздел 9.3) и в её реестре источников, где он отнесён к странице 29.

The Synthetic Economy — независимая исследовательская программа с общим с Институтом основателем. ARENOMICS Institute опирается на её опубликованные работы и не представляет эту программу ни как внутреннее подразделение, ни как подчинённую организацию, ни как валидированного исследовательского партнёра; RN-002 не является внешним подтверждением позиций Института.