Sakana AI 提出 MASS：单模型自监督多角色改进但难破盲区

2026年10月13日，The Decoder 报道，Sakana AI 与 UC Berkeley 联合提出 Multi-Agent Self-Supervision（多智能体自监督，简称 MASS）方法。该方法的核心思路是让单一的大语言模型同时扮演三种角色：解题者、优化者和评估者，通过这种多角色分工实现递归式的自我改进。整个过程无需依赖比自身更强的教师模型，属于一种自监督的自我提升路径。报道指出，MASS 在多角色协作方面取得了一定进展，使单模型能够在无外部更强监督的条件下进行多轮自我迭代优化。但该方法也暴露出明显局限——模型难以发现自身的盲区，即在缺乏外部参照的情况下，评估环节难以识别出自身知识或能力上的固有缺陷，从而限制了递归改进的最终效果。

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。