TeknoLogiz AI – Perusahaan AI asal Tokyo, Sakana AI, meluncurkan algoritma open-source bernama Adaptive Branching Monte Carlo Tree Search (AB-MCTS). Algoritma ini memungkinkan kolaborasi antar model AI dalam menyelesaikan masalah kompleks. AB-MCTS, sebuah algoritma inference-time scaling atau test-time scaling, menambahkan dimensi ketiga pada kerangka kerja model AI yang ada. Sistem ini tidak hanya menentukan apakah penalaran yang lebih panjang atau eksplorasi yang lebih luas diperlukan, tetapi juga memilih model AI yang paling sesuai untuk tugas tertentu. Jika masalah terlalu kompleks, sistem bahkan dapat mengerahkan beberapa model AI secara bersamaan.
Dalam sebuah unggahan di X (sebelumnya Twitter), Sakana AI menyoroti bagaimana algoritma inference-time scaling ini menciptakan lingkungan kecerdasan kolektif untuk AI. Algoritma ini memungkinkan model-model terdepan seperti Gemini 2.5 Pro, o4-mini, dan DeepSeek-R1 untuk berkolaborasi. Sakana AI telah meneliti masalah ini selama bertahun-tahun, dan pada tahun 2024 menerbitkan makalah tentang "penggabungan model evolusioner".
Algoritma baru ini menciptakan sistem yang memungkinkan model AI melakukan komputasi test-time dengan anggaran tertentu, menghasilkan beberapa output untuk mengeksplorasi berbagai perspektif, dan bahkan menggunakan beberapa model AI yang sesuai untuk mencapai kinerja yang lebih tinggi. Para peneliti juga menguji kemampuan AB-MCTS pada tolok ukur ARC-AGI-2. Sistem ini menggunakan kombinasi o4-mini, Gemini-2.5-Pro, dan R1-0528, dan mampu melampaui kinerja masing-masing model secara individual. Sakana AI mengklaim bahwa sementara o4-mini memecahkan 23 persen masalah secara independen, angka tersebut meningkat menjadi 27,5 persen ketika menjadi bagian dari kluster AB-MCTS.
Algoritma TreeQuest telah dirilis di GitHub Sakana AI, bersama dengan eksperimen ARC-AGI mereka. Detail studi ini telah dipublikasikan dalam sebuah makalah di arXiv.
