MIT-Sakana AI SIFT 降低程式編碼代理的評估成本
MIT 與 Sakana AI 的研究人員推出 SIFT，即 Self-Improvement via Fast Tree-search，旨在降低評估可自我改進程式設計代理的成本。SIFT 不再針對每項提議的程式碼修改執行完整的程式設計基準測試，而是利用大型語言模型直接比較候選修改方案。經正則化的 Bradley-Terry 模型會為偏好排序，而非同步評估則有助於加快搜尋速度。
在 Polyglot 基準測試中，採用 SIFT 的 o3-mini 程式設計代理在 30 次擴展步驟後達到 35.1%。較早的 Darwin Gödel Machine 在 80 個節點後達到 30.7%。Qwen3-Coder-30B 配置在 224 個 CPU 小時內完成搜尋，API 成本約為 34 美元，約是 DGM 所用資源的十分之一。
SIFT 也將 TerminalBench 2.1 的結果從 29.2% 提升至 36.7%，並將 SWE-60 的結果從 40.0% 提升至 52.1%。透過降低運算與評估成本，這套框架可能讓自主程式設計代理研究更容易普及。然而，其表現高度取決於 AI 評審的品質。有缺陷的評審可能只是更有效率地為較差的程式碼修改排序，而不是找出真正的改進。對加密貨幣交易者而言，這項發展與 AI 代理、去中心化運算及區塊鏈自動化等敘事有間接關聯，但不包含任何加密貨幣或代幣的直接催化因素。
Neutral
市場影響中性，因為 SIFT 是一個研究框架，不涉及加密貨幣、代幣推出、區塊鏈網路升級或直接的資金流入催化因素。短期內，研究結果可能強化更廣泛的 AI 代理敘事，並鼓勵市場對與自主代理、去中心化運算或 AI 基礎設施相關的加密專案產生投機興趣。然而，在沒有指定代幣、合作夥伴關係或商業部署的情況下，相關資產的任何波動很可能只是由市場情緒驅動，難以持續。
長期而言，成本較低的評估方式可能加速自主程式設計系統的發展，並提高對運算能力、資料及 AI 基礎設施的需求。這可能間接支持提供去中心化 GPU 網路、代理支付或基於區塊鏈自動化方案的加密專案。與過去的 AI 研究突破類似，初期交易反應很可能在高貝塔的 AI 相關代幣中最為強烈，而 BTC 和 ETH 等主要資產獲得的直接利益則有限。交易者應留意後續證據，包括開源採用、企業部署、融資公告，以及與區塊鏈平台的合作夥伴關係。主要風險是 AI 評估不佳可能限制實際表現，從而削弱看多敘事的持續性。