Sakana AI联合伯克利推出MASS：单模型分身组队实现递归自我改进

量子位 · wechat · 2026-10-18

Transformer论文作者Llion Jones创办的Sakana AI与UC Berkeley发布递归自我改进（RSI）新方法MASS：让同一个开源模型分身扮演执行者、评估者、优化者三个角色，在内循环中用纯文本工作流做优胜劣汰，在外循环用黄金工作流的协作轨迹做SFT，再进入下一轮迭代。两轮进化后，模型在开放式科研任务上的Token效率提升1.21.6倍，自我评估准确率从73%升至93%。

对比实验显示，多智能体轨迹微调比单智能体轨迹少用约31.4%的Token，胜率反而更高（68.3% vs 64.0%）。论文也坦承局限：仅验证两轮迭代、SWE-bench等硬核工程基准未见同步提升、工作流搜索易翻车。论文作者还包括Databricks联合创始人Matei Zaharia等。