Sakana AI 联手伯克利发布 MASS：同一个 27B 模型自己组队干活、自己改流程、自己当裁判，两轮「递归自我改进」后研究类基准单位 token 得分升到 1.2–1.6 倍

这件事意味着什么

【要点】

Sakana AI 与加州大学伯克利分校（作者含 Matei Zaharia）10 月 11 日发布「多智能体自监督」（MASS），研究在没有人类或更强模型打分的情况下，模型能否靠自己变强。做法是让同一个模型同时担任三个角色：分工协作的执行团队、改写团队工作流程的优化器、比较成果的裁判。内循环里模型反复改写流程并自评，留下自认为最好的；外循环把最佳流程各跑 18 次、自己排序，挑出最多 16 条轨迹做 LoRA 微调，再让新模型重新担任三个角色。

实验从 Qwen3.6-27B 起步跑了两轮。在金融、机器人、制药三类合成研究任务的留出题上，外部裁判（GPT-5.5、Claude Opus 4.8）判第二轮模型胜过基础模型的比例为 69.9%；在 MLR-Bench、DSBench、ScienceAgentBench、AstaBench 四个公开研究类基准上，单位输出 token 的得分升到基础模型的 1.2–1.6 倍。只训练干活的轨迹，优化器和裁判的能力也跟着提升，裁判与外部裁判的一致率从 73% 升到 93%。

【可核验】

博客 pub.sakana.ai/mass，论文 arXiv:2610.12176（10 月 8 日提交），代码在 GitHub SakanaAI/mass。官方帖文发布约 3 小时浏览约 3.5 万、收藏 430 多次。论文自己写明：Terminal-Bench 2.0 和 SWE-bench Verified 上单位 token 得分是基础模型的 0.96 倍和 0.94 倍，迁移并不均匀；MLR-Bench 上交出论文的次数从 31/60 升到 50/60，但已交论文的平均分从 3.07 降到 2.88；训练任务描述由 GPT-5.5 预先生成。

【我们的判断】

一、这是「模型自己当老师」的一次小规模实证，结果属于效率改进，不是能力飞跃。主指标是单位 token 得分，绝对分提升有限，而且只跑了两轮，还看不出能不能持续滚下去。

二、真正值得关注的是「只练干活、优化和评判也变强」这一条。如果在更大模型上成立，自我改进循环的瓶颈会从缺乏外部监督转向优化器本身，这正是论文说的发现。

三、团队自己点出了风险：模型给自己打分时，共同的盲点可能被当成进步写进权重。这项工作用外部模型做裁判，恰恰说明完全自闭环的进步目前还需要独立评估来兜底。