Sakana AI与UC Berkeley提出MASS自改进方法
热点事件持续更新
Sakana AI与UC Berkeley提出MASS自改进方法
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月，Sakana AI 与 UC Berkeley 研究人员提出多智能体自监督（MASS）递归自改进方法，让同一个语言模型同时承担解题、优化工作流和评估结果三种角色，无需更强的教师模型即可递归自我改进。据 The Decoder 报道，代码已公开；基础模型为 Qwen3.6-27B，搭配 Qwen Code 作为运行框架；研究使用 GPT-5.5 生成的十二个研究任务，覆盖金融、机器人、制药领域，其中三个留作测试、九个用于训练。报道称，由于搜索未能在其中一个训练任务上找到优于参考的工作流，最终只有八个任务产出训练数据。报道同时指出，该方法仍难以自查盲点问题。
AI 根据报道生成 · 3 小时前更新
最新进展10月13日 01:58
Sakana AI 与 UC Berkeley 提出 MASS 自我改进方法，盲点问题仍难自查报道时间线
沿着报道，了解事件的不同侧面。
10月13日
- The DecoderSakana AI 与 UC Berkeley 提出 MASS 自我改进方法，盲点问题仍难自查
Sakana AI 与 UC Berkeley 提出 Multi-Agent Self-Supervision（MASS），让同一个语言模型同时承担解题、优化工作流和评估结果三种角色，无需更强的教师模型即可递归自我改进。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1010月13日 03:00
- 近 24 小时变化
- –
02.557.510
03:0004:0005:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。