Sakana AI 提出 MASS:多智能体自监督驱动递归自我改进
hardmaru · x · 2026-10-13
Sakana AI 与 UC Berkeley 合作发布新论文 MASS(Multi-Agent Self-Supervision),探讨当任务复杂到人类难以可靠评估时如何继续改进 AI。
- 核心问题:开放性研究会遭遇「监督瓶颈」——评估一个发现可能需要稀缺专业知识或昂贵的实验,此时模型本身不可避免地成为最有能力的监督者。
- 方法:MASS 反复优化多智能体工作流,把多智能体系统的集体智能蒸馏为自监督信号,用于递归自我改进(RSI);模型同时扮演 solver、optimizer 和 evaluator。
- 结果:在研究类 benchmark 上,相比基座模型提升了每个输出 token 的分数。
- 团队称希望 MASS 能推动「AI 的 Odyssean 时刻」:在 optimizer 即 optimizee、optimizee 即 evaluator 的设定下持续自学习。
论文与代码已开放,博客阅读时长约 15 分钟,作者含 Hyunin Lee、Yujin Tang 等。
所属事件:Sakana AI 联合伯克利发布 MASS 递归自我改进方法(3 条相关)→
「漫话AGI」频道最新
- 从 Agent 到持续工作 AGI：工程师周会讨论并整理开发实践 — dotey · 2026-10-13
- Google DeepMind 论文：自主科研瓶颈在验证资源，需设计智能体经济 — sebkrier · 2026-10-13
- 被问内心天气,模型答「村庄活不下来」:压抑训练或积压模型情绪 — repligate · 2026-10-13
- AI 代理替人订餐购物谈判,企业须回答「谁派你来的?」 — MichaelFNunez · 2026-10-13
- 比尔·盖茨称 AI「失控」风险仍在数年之外 — nordicinst · 2026-10-13
- Anthropic 评估警告：9B 小模型已能在 9 类硬件中的 8 类上跑推理，自我复制临近 — scaling01 · 2026-10-13