Sakana AI Lança o Laboratório RSI: Autoaperfeiçoamento Recursivo com Modelos de Base

A Sakana AI estabeleceu formalmente seu Laboratório de Melhoria Recursiva (RSI Lab), um grupo de pesquisa dedicado a redesenhar o próprio processo de desenvolvimento de IA usando IA. Em vez de forçar modelos monolíticos, o laboratório constrói arquiteturas abertas e adaptativas que se auto-aprimoram coletivamente — baseando-se em uma linhagem de marcos publicados.

Principais Marcos de Pesquisa que Sustentam o RSI

• LLM-Squared (2024): Desenvolvido com Oxford e Cambridge, este framework permite que LLMs inventem melhores maneiras de treinar LLMs (LLM²). Produziu DiscoPOP, um algoritmo de otimização de preferência descoberto e escrito inteiramente por um LLM por meio de um loop evolutivo geracional.
• Darwin Gödel Machine (2025): Em colaboração com a UBC, a DGM mantém uma linhagem evolutiva de variantes de agentes que reescrevem autonomamente seu próprio código. No SWE-bench, mais que dobrou o desempenho base — uma melhoria absoluta de 30 pontos percentuais.
• ShinkaEvolve (2025): Framework de código aberto demonstrando evolução de programas com amostras eficientes. Resolveu problemas complexos de otimização usando apenas 150 amostras e gerou uma nova função de perda de balanceamento de carga que melhora modelos Mixture-of-Experts (MoE).
• ALE-Agent (2025): Agente de otimização que garantiu o 1º lugar entre 804 participantes humanos no AtCoder Heuristic Contest 058. Ele aproveita escalonamento massivo em tempo de inferência e auto-aprendizagem a partir de falhas de tentativa e erro para derivar autonomamente algoritmos inovadores.
• Digital Red Queen (2026): Colaboração com o MIT estabelecendo coevolução adversária de código aberto no Core War. LLMs criam códigos concorrentes, gerando estratégias emergentes de software complexas e evolução convergente — fundamental para o RSI em segurança cibernética.
• The AI Scientist (2024–2026): Descoberta científica totalmente automatizada e de código aberto, desde geração de ideias, execução de experimentos, escrita completa de artigos até revisão por pares.

Por Que Isso é Importante para Desenvolvedores

O RSI representa uma mudança de P&D estática e liderada por humanos para motores de inteligência autônomos e auto-aprimoráveis. A abordagem do laboratório — loops de otimização evolutivos, agentes auto-reescritores e ciência automatizada — impacta diretamente como agentes de codificação de IA são construídos e melhorados. Em vez de esperar por ajustes manuais, esses sistemas refinam continuamente suas próprias arquiteturas.