Sakana AI 与 UC Berkeley 提出 MASS：单模型自监督递归自改进
热点事件持续更新
Sakana AI 与 UC Berkeley 提出 MASS：单模型自监督递归自改进
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Sakana AI 与 UC Berkeley 研究者提出 Multi-Agent Self-Supervision（MASS）方法，让同一语言模型同时承担解题、优化工作流与评估结果三个角色，从而在不使用更强教师模型的情况下实现递归自我改进。 基于 Qwen3.6-27B 模型与 Qwen Code 框架，研究者在金融、机器人和制药领域的 12 个研究任务上测试，其中 9 个用于训练、3 个留作测试。结果显示，经过两轮自改进后，模型在测试任务上对基模型的胜率从一轮后的 53.9% 提升至 69.9%。代码已公开发布。 据 The Decoder 报道，该方法仍难以发现模型自身的盲点。
AI 根据报道生成 · 1 小时前更新
最新进展10月13日 01:58
Sakana AI 与 UC Berkeley 提出 MASS 方法：单模型自监督提升，但难以发现自身盲点报道时间线
沿着报道，了解事件的不同侧面。
10月13日
- The DecoderSakana AI 与 UC Berkeley 提出 MASS 方法：单模型自监督提升，但难以发现自身盲点
Sakana AI 与 UC Berkeley 研究者提出 Multi-Agent Self-Supervision（MASS）方法，让单个语言模型同时承担解题、优化工作流和评估结果三个角色，基于 Qwen3.6-27B 与 Qwen Code 框架实现无更强教师模型的递归自我改进。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。