热点事件持续更新
Sakana AI 与 UC Berkeley 提出 MASS 递归自我改进方法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月13日，Sakana AI 与 UC Berkeley 联合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。测试中，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。该方法虽在求解与评判能力上均有提升，但存在共同盲区，即模型在自我改进过程中可能遗漏某些错误类型。目前研究仍处于实验阶段，尚未发布完整代码或公开数据集。
AI 根据报道生成 · 1 小时前更新
最新进展10月13日 01:58
MASS 方法在基准测试中表现显著，但研究者指出模型存在共同盲区，需进一步验证其泛化性。报道时间线
沿着报道，了解事件的不同侧面。
10月13日
- The Decoder精选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 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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。