Sakana AI与UC Berkeley提出MASS自改进方法

2026年10月13日，The Decoder报道，Sakana AI与UC Berkeley研究人员提出并研究“多智能体自监督”（MASS）递归自改进方法，让同一个语言模型在无更强教师模型的情况下兼任解题、评判与优化三种角色。报道称代码已公开；基础模型为Qwen3.6-27B，使用Qwen Code作为运行框架；研究人员使用GPT-5.5生成的十二个研究任务，覆盖金融、机器人和制药领域，其中三个留作测试、九个用于训练；由于搜索未能在其中一个训练任务上找到优于参考的工作流，最终只有八个任务产出训练数据。报道同时指出，共享盲区成为递归自我改进的隐患。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。