Onderzoekers hebben Athanor uitgebracht, een open systeem dat AI-agenten de middelen geeft om zelfstandig experimenten met post-training uit te voeren. De agenten krijgen toegang tot data, evaluatiesuites en taakbeheer, maar kunnen geen externe teachermodellen aanroepen. In een test van 104 uur namen vier Claude Opus 5.5-agenten, elk op een node met acht GPU’s, het ruwe Qwen3‑4B‑Base-model onder handen en verbeterden ze de prestaties aanzienlijk.
Wat de agenten bereikten
Op een ontwikkelsuite met zes taken steeg de score van het model van 15.9 naar 67.3. Op een verborgen testset steeg die van 9.2 naar 48.2. Daarmee overtrof het model de officiële Qwen3‑4B‑Instruct‑2507, die respectievelijk 66.5 en 47.9 scoorde. De agenten bereikten deze resultaten door bekende technieken te combineren: supervised fine-tuning op openbare redeneergegevens, een nieuwe aanpassing aan de roll-outs voor reinforcement learning, het samenvoegen van gewichten van verschillende agenten en meerdere rondes van zelfdistillatie. Dat gebeurde allemaal zonder onderzoeksadvies van mensen.
Waarom dit belangrijk is
Als AI-agenten zelfstandig betrouwbare onderzoekscycli kunnen uitvoeren, kunnen de kosten voor het ontwikkelen van betere modellen dalen en kan de vooruitgang versnellen. Voor ontwikkelaars zonder grote onderzoeksteams kan een open platform als Athanor kleinere groepen de mogelijkheid geven te experimenteren met autonome trainingspijplijnen.
Waarom het ertoe doet
Het resultaat laat zien dat de huidige AI-agenten al over voldoende technische vaardigheden beschikken om een volledige onderzoekscyclus voor post-training uit te voeren. Daardoor zouden organisaties zonder grote AI-labs mogelijk goedkoper concurrerende instructiegetrainde modellen kunnen ontwikkelen, al moet de winst nog onafhankelijk worden geverifieerd.
