Sakana AI 联合伯克利提出 MASS 方法
先了解这件事
2026年10月10日，Sakana AI 提出 MASS 方法，用多智能体自监督实现无需外部验证器的递归自我提升：让基座模型自行提出多智能体工作流并对其打分，再通过进化搜索保留得分最高的方案；在 Qwen3.6-27B 上运行两轮循环后，模型在四个开放性基准上的每输出 token 性能从 1.2 倍提升至 1.6 倍；用多智能体轨迹训练的学生模型，表现超过用多 1.4 倍 token 训练的单智能体学生模型。10月12日，Sakana AI 联合 UC Berkeley 发布论文，将署名补充为双方合作，并说明 MASS 由多智能体执行器、workspace 自评估器和 workflow 自优化器组成，演示了一个可工作的递归自我改进循环，把 RSI 扩展到更广泛的任务范围；论文同时指出，传统自我改进循环依赖外部验证器，开放性任务因缺少判分器而被排除在外。两版报道的数字与结论一致。
AI 根据报道生成 · 5 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- AGI HuntSakana AI 联合 UC Berkeley 提出 MASS，实现无需外部验证器的递归自我改进
Sakana AI 联合 UC Berkeley 发布论文，提出 MASS 方法，通过多智能体自监督实现无需外部验证器的递归自我改进（RSI）。MASS 由多智能体执行器、workspace 自评估器和 workflow 自优化器组成，并演示了一个可工作的递归自我改进循环，把 RSI 扩展到更广泛的任务范围。原文指出，传统自我改进循环依赖外部验证器，开放性任务因缺少判分器而被排除在外。
- AGI HuntSakana AI 提出 MASS：多智能体自监督实现无验证器递归自我提升
Sakana AI 提出 MASS，用多智能体自监督实现无需外部验证器的递归自我提升。基座模型提出多智能体工作流并打分，进化搜索保留最高分方案；在 Qwen3.6-27B 上跑两轮循环，四个开放性基准的每输出 token 性能从 1.2x 升至 1.6x。多智能体轨迹训练的学生模型超过用多 1.4 倍 token 训练的单智能体学生模型。
本事件热度走势
当前热度 9·可比范围峰值 10（10月12日 07:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。