Sakana AI 提出 MASS:多智能体自监督推动递归自我改进
paulabartabajo_ · x · 2026-10-14
Sakana AI 与 UC Berkeley 发布论文《MASS: Recursive Self-Improvement through Multi-Agent Self-Supervision》，探讨前沿模型能否超越人类积累知识的边界。
核心问题：在不可验证任务（non-verifiable tasks）上，人类专家也难以评估模型产出的研究提案，此时模型自身可能是唯一可用的优化器与评估者。
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）；论文称在研究类 benchmark 上提升了每输出 token 的得分。论文与代码均已开源。
作者团队包括 UC Berkeley 的 Hyunin Lee、Somehy Sojoudi、Matei Zaharia 与 Sakana AI 的 Yujin Tang 等。转发者认为「攻克不可验证任务空间」是 AI 的下一个里程碑。
所属事件:Sakana AI 与伯克利发布 MASS，多智能体自监督探索递归自我改进(7 条相关)→
「研究」频道最新
- Eterna 社区办 RNA 逆设计与配体对接预测线上分享 — chaitjo · 2026-10-14
- GLOW:GNN+LLM 应对不完整知识图谱问答的新方法 — burkov · 2026-10-14
- 谷歌 AMIE 登上柳叶刀:与医生最终诊断吻合率达 90% — SumitGup · 2026-10-14
- MIT 研究:神经网络可自建学习机制,无需外部设计 — nordicinst · 2026-10-14
- 开发者整理 100+ 社会科学免费数据集清单并开源在 GitHub — _akpiper · 2026-10-14
- AI 等颠覆性技术为何总等出事才监管？学者期刊发文解析 — mchorowitz · 2026-10-14