Sakana AI 推出 MASS 递归自我改进方法：模型求解与评估能力提升，但仍面临共享盲区挑战

Sakana AI 与加州大学伯克利分校的研究人员推出了“多智能体自监督”（MASS）递归自我改进方法，让单一语言模型同时处理任务、优化工作流程并评估结果。研究发现，基于 Qwen3.6-27B 的模型在经过两轮迭代后，多项基准测试的胜率有所提升，解题与评估能力均有增强。不过，由于模型在扮演多个角色时可能产生共享盲区，错误判断容易被当作进展并带入下一轮训练。