Sakana AI 与 UC Berkeley 提出 MASS 自监督方法

Sakana AI 与 UC Berkeley 研究人员提出多智能体自监督方法 MASS，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，无需更强的教师模型，代码已公开。 实验以 Qwen3.6-27B 为基础模型、Qwen Code 为运行框架，使用 GPT-5.5 生成的 12 个金融、机器人和制药研究任务，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。 报道称该方法提升了模型的解题与评判能力，但存在共享盲点。

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。