Sakana AI proposed a recommendation method that looks for a set of different options

🌟 Sakana AI предложила метод рекомендаций, который ищет набор разных вариантов QD-Rec - метод подбора рекомендаций для решений, где человеку важно сравнить варианты, а не получить один ответ. Единица поиска здесь не сам кандидат, будь то компания, клиент или научная статья, а пара из кандидата и гипотезы, то есть написанного словами объяснения, чем он подходит и что с ним можно сделать. 🟡Механика В основе лежит идея качества и разнообразия из эволюционных алгоритмов. Система ведёт архив удачных пар и крутит один и тот же цикл из трёх шагов. Сначала кандидата выбирает алгоритм, который взвешивает прошлые оценки и добавляет бонус за непохожесть на то, что уже в архиве. Затем языковая модель пишет гипотезу, опираясь на три случайные записи архива как на родительские, и либо переносит их угол зрения на нового кандидата, либо скрещивает две идеи, либо предлагает что-то своё. Наконец новая пара проходит отбор. Если судья считает её довод реально новым, она занимает отдельную нишу, если нет, спорит один на один с ближайшим соседом по смыслу, и проигравший вылетает. Общего рейтинга нет, поэтому непохожие идеи уживаются рядом. 🟡Тесты Проверяли на трёх задачах. В первой система искала среди 6300 американских компаний цели для поглощения покупателями Disney и JPMorgan. Во второй подбирала покупателей продукта среди 10 тысяч вымышленных профилей, в третьей советовала статьи из 17,5 тысячи работ с недавних конференций. Гипотезы писали модели Claude, оценивала их GPT-5.6 Terra. На поиске целей для Disney средняя оценка архива составила 2,91 против 2,40 у упрощённого варианта, который пишет каждую гипотезу с нуля и в архив не заглядывает, а сам архив вырос до 214 записей против 85. Для JPMorgan вышло 3,04 против 2,88, в маркетинге 7,05 против 6,81. На подборе статей разницы почти нет, 6,24 у всех вариантов. Выигрывает метод не везде. С моделью послабее на одной из задач он уступил упрощённому варианту и по оценке, и по размеру архива. Оценки ставит языковая модель, а значит, система может научиться угождать судье вместо того, чтобы придумывать дельное, и авторы советуют подключать человека. Про это надо просто помнить. Код проекта выложен на GitHub, модели подключаются через OpenRouter.