بچه‌های متا تو یه تحقیق تر و تازه نشون دادن اگه دو تا هوش مصنوعی کدنویس از دو خونواده مختلف، مثل کلود کد و کُدکس رو بندازی پای بازبینی کار هم‌دیگه، نتیجه خیلی خفن‌تر از این درمیاد که کلی پول و هزینه پای یه تک‌مدل بریزی

بچه‌های متا تو یه تحقیق تر و تازه نشون دادن اگه دو تا هوش مصنوعی کدنویس از دو خونواده مختلف، مثل کلود کد و کُدکس رو بندازی پای بازبینی کار هم‌دیگه، نتیجه خیلی خفن‌تر از این درمیاد که کلی پول و هزینه پای یه تک‌مدل بریزی. داستان اینه که وقتی این دوتا رقیب باگ‌های همدیگه رو چک کردن، بدون اضافه شدن خرج کار، دقت کدهای نهایی از ۴۵.۸ درصد صاف رسید به ۶۲.۵ درصد. ته ماجرا هم اینجاست که مدل‌های یه شرکت خطاهای شبیه به هم دارن و متوجه سوتی‌های خودی نمی‌شن، اما این دوتا مدل ناهمگون باگ‌های زیرپوستی و بی‌سروصدایی مثل نشت داده رو که کارت‌های گرافیک رو بی‌جهت می‌سوزونه و خطای ظاهری هم نمیده، تر و تمیز خفت می‌کنن.

منبع

Rohan Paul@rohanpaul_ai

New Meta paper finds that having 2 different coding agents review each other's patches catches far more silent bugs than giving 1 agent a bigger budget. Mixing Claude Code and Codex on the same task raised fully correct patches from 45.8% to 62.5% at matched spend. Agents editing real training code can leak test data, break a gradient, or miswire a flag. The code still runs, so you burn GPU hours and get numbers that look valid. The reason is uncorrelated mistakes: agents from the same product fail the same way, so there is little for review to catch. The effect repeated on an unrelated training codebase. – arxiv. org/abs/2609.39551 Title: "RankEvolve: A Reliable Multi-Agent Auto-Research Harness for Evolving Ranking Models"

۱۴ مهر ۱۴۰۵مشاهده در X