CoDream (collaborative dreaming) laat een team van AI-agents leren van een mislukte taak zonder het onderliggende AI-model opnieuw te trainen. Na de mislukking bespreken de agents wat er fout ging, schrijven ze de les op als een korte regel en geven die alleen aan de teamleden die zwak zijn in dat soort taken, zoals een nabespreking na een verloren deal. Het komt uit een onderzoekspaper van mei 2026.
Waar komt CoDream vandaan?
Het is de kern van EVOCHAMBER, een framework dat onderzoekers van Oregon State University, Johnson & Johnson en andere instellingen op 11 mei 2026 op arXiv zetten (Zhang e.a.). EVOCHAMBER laat een pool van AI-agents beter worden terwijl ze een stroom taken afwerken, zonder de gewichten van het model te veranderen. De auteurs noemen dat test-time co-evolution en passen het toe op drie niveaus: elke agent houdt zijn eigen lessen bij, per taak wordt een team van drie samengesteld, en op het niveau van de hele pool verplaatst CoDream kennis tussen agents, terwijl andere mechanismen agents toevoegen, kopiëren, samenvoegen en verwijderen.
Hoe verloopt een CoDream-sessie?
Een sessie start als een team faalt: de gemiddelde score zakt onder een drempel, of de leden zijn het oneens. De drie teamleden doorlopen dan vijf fasen:
- Reflect: elk lid analyseert zijn eigen poging.
- Contrast: leden die faalden worden gekoppeld aan leden die slaagden, om te vinden wat de geslaagde aanpak anders deed.
- Imagine: die verschillen worden mogelijke strategieën, gelabeld met de soorten taken waarop ze kunnen gelden.
- Debate: de leden bekritiseren elkaars voorstellen en laten de zwakke vallen.
- Crystallize: de overgebleven voorstellen worden gestructureerde inzichten, elk met een bereik: één taak, een subdomein of alle domeinen.
Elk inzicht wordt weggeschreven naar elke agent wiens vaardigheid in dat soort taken onder de mediaan van de pool ligt. Sterke agents leveren kennis en zwakke agents ontvangen die, zodat specialisten specialist blijven. Elke les naar elke agent sturen, zoals de eerdere methode MemCollab doet, verwatert die specialisatie, stellen de auteurs. De lessen komen in het ervaringsarchief van de agents terecht, en de meest vergelijkbare worden bij latere taken aan de prompt van een agent toegevoegd.
Wat lieten de tests zien?
Met het open model Qwen3-8B kostte het weghalen van CoDream meer dan het weghalen van enig ander onderdeel: op een stroom van 600 taken uit zes domeinen zakte de nauwkeurigheid van 87,1% naar 76,3%, met de grootste dalingen op HotpotQA (van 89,5% naar 57,2%) en DROP (van 86,0% naar 48,0%). In een kleinere controle op 30 wiskundetaken scoorde de pool zonder CoDream precies even goed als één agent (63,3%); met CoDream haalde hij 70,0%. Het volledige systeem haalde 63,9% op moeilijke wiskundeopgaven, tegen 48,4% voor de beste vergelijkbare methode, MemCollab: relatief 32% beter, een marge die alleen voor wiskunde geldt.
Wat kost het, en waar liggen de grenzen?
- Meer rekenkracht. Het hele systeem kost ongeveer 3,6 keer de inferentiekosten van één agent, wat volgens de auteurs te veel kan zijn waar snelheid telt. Het was wel nauwkeuriger dan stemmen bij meerderheid over vijf antwoorden, bij 72% van de tokens van die methode.
- Het bewijs is smal: twee modelfamilies, benchmarkstromen van maximaal 600 taken en vaste drempels. Langere stromen en lessen die verouderen laten de auteurs aan later onderzoek over.
- De paper vermeldt dat in de eigen implementatie de meeste inzichten als domeinoverstijgend werden ingedeeld; de gerichte routering naar zwakke agents op één soort taak geldt als een inzicht minder overdraagbaar wordt geacht.
Voorbeeld
Een inzicht dat CoDream na een CodeContests-taak opleverde, zoals de paper het citeert: "When input validation involves numerical ranges and potential overflow, use bounded arithmetic with explicit saturation: clamp intermediate values to the valid range [min_val, max_val] using min(max(value, min_val), max_val) before further computation." De code staat op GitHub onder de MIT-licentie. De post Hoe kunnen multi-agent AI-systemen van hun fouten leren zonder hertraining? behandelt EVOCHAMBER als geheel.