Sakana AI 的自我改进模型在解题与评判上更强，却抓不住自己的盲点

Sakana AI 与 UC Berkeley 的研究者提出多智能体自我监督方法 MASS，让同一个语言模型同时承担解题、优化工作流与评判结果三种角色，在无需更强教师模型的情况下实现递归自我改进。基座模型为 Qwen3.6-27B，任务为 GPT-5.5 生成的 12 项金融、机器人与制药研究任务。测试任务上对基座的胜率从一轮后的 53.9% 升至两轮后的 69.9%，在 MLR-Bench、DSBench、ScienceAgentBench 和 AstaBench 上每输出 token 的得分为基座的 1.2 至 1.6 倍，但在 Terminal-Bench 2.0 和 SWE-bench Verified 上分数略降；自评者与外部评判的一致率从 73% 升至 93%。代码已公开。