The Decoder· Jonathan Kemper·· 2 小时前精选AI 评分58
Sakana AI 与 UC Berkeley 提出 MASS 递归自我改进方法，模型在求解与评判上提升但存在共同盲区
Sakana AI's self-improving model gets better at solving and judging, but can't catch its own blind spots
AI 导读
Sakana AI 与 UC Berkeley 提出多智能体自监督（MASS）方法，让单个大语言模型同时承担求解、评判与优化任务，实现递归自我改进。测试任务上，模型胜率从一轮后的 53.9% 提升至两轮后的 69.9%，在 MLR-Bench 等基准上达到基础模型每输出 token 得分的 1.2 至 1.6 倍。
推荐理由
原文给出了 MASS 方法的完整实验数据与局限分析，读者可据此判断递归自我改进路线的真实成效与风险。
来源：The Decoder · the-decoder.com