Sakana AI与UC Berkeley提出MASS自改进方法

Sakana AI 与 UC Berkeley 研究人员提出多智能体自监督（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，同时承担解题、评判与优化工作流三种角色。代码已公开，基座模型为 Qwen3.6-27B，使用 Qwen Code 作为运行框架。 实验用 GPT-5.5 生成的 12 个研究任务（覆盖金融、机器人、制药），其中 3 个用于测试、9 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 8 个任务产出训练数据。 报道称，该方法在解题与评判上有所提升，但难以发现自身盲点。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。