Sakana AI lanza el laboratorio RSI: Mejora recursiva automática con modelos fundacionales

Sakana AI ha establecido formalmente su Laboratorio de Auto-Mejora Recursiva (RSI), un grupo de investigación dedicado a rediseñar el propio proceso de desarrollo de IA utilizando IA. En lugar de forzar modelos monolíticos, el laboratorio construye arquitecturas adaptativas y abiertas que se auto-mejoran colectivamente, basándose en una serie de hitos publicados.

Hitos clave de investigación que respaldan RSI

• LLM-Squared (2024): Desarrollado con Oxford y Cambridge, este marco permite que los LLMs inventen mejores formas de entrenar LLMs (LLM²). Produjo DiscoPOP, un algoritmo de optimización de preferencias descubierto y escrito completamente por un LLM mediante un bucle evolutivo generacional.
• Darwin Gödel Machine (2025): En colaboración con UBC, DGM mantiene un linaje evolutivo de variantes de agentes que reescriben su propio código de forma autónoma. En SWE-bench, más que duplicó el rendimiento base, una mejora absoluta de 30 puntos porcentuales.
• ShinkaEvolve (2025): Marco de código abierto que demuestra la evolución eficiente de programas con pocas muestras. Resolvió problemas complejos de optimización utilizando solo 150 muestras y generó una nueva función de pérdida de balanceo de carga que mejora los modelos Mixture-of-Experts (MoE).
• ALE-Agent (2025): Agente de optimización que obtuvo el primer puesto entre 804 participantes humanos en el Concurso Heurístico AtCoder 058. Aprovecha el escalado masivo en inferencia y el autoaprendizaje a partir de fallos de prueba y error para derivar algoritmos novedosos de forma autónoma.
• Digital Red Queen (2026): Colaboración con MIT que establece una coevolución adversarial abierta en Core War. Los LLMs crean código competidor, impulsando estrategias emergentes de software complejo y evolución convergente, fundamental para RSI en ciberseguridad.
• The AI Scientist (2024–2026): Descubrimiento científico automatizado completamente abierto, desde la generación de ideas, la ejecución de experimentos, la redacción completa de artículos hasta la revisión por pares.

Por qué esto es importante para los desarrolladores

RSI representa un cambio de la I+D estática liderada por humanos a motores de inteligencia autónomos que se auto-mejoran. El enfoque del laboratorio — bucles de optimización evolutiva, agentes que se reescriben a sí mismos y ciencia automatizada — impacta directamente en cómo se construyen y mejoran los agentes de codificación de IA. En lugar de esperar ajustes manuales, estos sistemas refinan continuamente sus propias arquitecturas.