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：让同一个语言模型同时扮演解题、优化工作流和评判结果三种角色，实现自我改进。实验以 Qwen3.6-27B 为基座模型、Qwen Code 为运行框架，使用 GPT-5.5 生成的 12 个金融、机器人、制药领域研究任务，其中 9 个用于训练、3 个用于测试，代码已公开。 结果显示模型的解题与评判能力均有提升，但存在共享盲点。研究团队称，该结论基于仅 8 至 9 个任务的小样本。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。