Investigadores de Sakana AI y UC Berkeley han publicado un método que, según dicen, permite que un modelo de lenguaje se mejore a sí mismo organizando, juzgando y aprendiendo de sus propios equipos de múltiples agentes, un enfoque que extiende la autosuperación recursiva a tareas de investigación donde no existe una clave de respuesta automática.
El artículo, "MASS: Recursive Self-Improvement Through Multi-Agent Self-Supervision", apareció en octubre de 2026 en arXiv (2610.12176) junto con una página de proyecto interactiva del laboratorio con sede en Tokio. Su lista de autores abarca ambas instituciones: Hyunin Lee de UC Berkeley, quien completó el trabajo durante una pasantía en Sakana AI; Los investigadores de Sakana Jinglue Xu, Jeffrey Seely y Yujin Tang; y Donghyun Lee, Somayeh Sojoudi y Matei Zaharia de UC Berkeley. Para más contexto sobre esta historia, consulta nuestra actualidad de inteligencia artificial.
El trabajo llamó la atención inmediata de la comunidad de desarrolladores durante el fin de semana, donde una discusión de Hacker News sobre el proyecto superó los 100 puntos en cuestión de horas.
Cuando el modelo es el único supervisor disponible
Los avances más recientes en la IA de mejora personal se han basado en recompensas verificables: respuestas matemáticas que se pueden verificar, código que pasa las pruebas o no. El equipo Berkeley-Sakana parte de una premisa diferente. Argumentan que en la frontera de la investigación a menudo no existe una verdad fundamental a la mano. Evaluar un descubrimiento propuesto puede requerir experiencia escasa, equipos costosos o experimentos que toman mucho más tiempo que generar la propuesta misma.
El resultado es una brecha cada vez mayor: la capacidad de producir nuevos trabajos avanza más rápido que la capacidad de supervisarlos. Cuando no hay un maestro más fuerte disponible, escriben los autores, el modelo que se está mejorando (lo que ellos llaman el "optimizado") puede ser el supervisor más capaz que queda. Eso motiva lo que denominan automejora recursiva homogénea, en la que el mismo modelo sirve como su propio optimizador y evaluador.
La pregunta abierta es cómo un sistema puede generar una señal de entrenamiento útil en ese bucle. Su respuesta se basa en la historia de la humanidad.
Cómo funciona MASA
MASS, abreviatura de Autosupervisión de múltiples agentes, convierte un modelo compartido en un sistema de tres funciones. Los mismos pesos actúan como agente de resolución de tareas que produce un espacio de trabajo de código, resultados y un informe de investigación; el optimizador de flujo de trabajo que revisa cómo un equipo de subagentes divide el trabajo; y el evaluador que compara dos espacios de trabajo y juzga cuál satisface mejor la tarea.
El bucle interno busca en los flujos de trabajo del equipo: planes escritos que cubren la función de cada subagente, sus instrucciones, los "contratos" que especifican qué pruebas los agentes deben entregarse entre sí y la secuencia de llamadas o saltos entre ellos. Un flujo de trabajo campeón se conserva a lo largo de las iteraciones y debe superarse para ser reemplazado. Un flujo de trabajo financiero evolucionado, condensado en el documento, secuencia la preparación de datos, la construcción de funciones, el modelado y las pruebas retrospectivas antes de una auditoría, y su contrato de datos obliga al especialista en datos a comprobar que una prueba retrospectiva no podría haber filtrado información futura en decisiones históricas.
Luego, el bucle exterior convierte la experiencia colectiva del equipo en datos de entrenamiento. El sistema ejecuta el flujo de trabajo campeón 18 veces, clasifica automáticamente los espacios de trabajo resultantes, mantiene las 16 mejores ejecuciones y afina el modelo compartido en ellas, y luego se elimina el mensaje del flujo de trabajo, por lo que las habilidades de coordinación se llevan a cabo en los pesos en lugar de las instrucciones. Luego, el modelo actualizado retoma las tres funciones y el proceso se repite.
Ganancias mensurables en tareas no verificables
El equipo ejecutó dos rondas completas de MASS a partir de Qwen3.6-27B en el entorno del agente de codificación qwen-code. El campo de entrenamiento era un conjunto de 12 tareas de investigación sintética que abarcaban finanzas, robótica y farmacia, cada una de las cuales requería código, resultados cuantitativos y un informe escrito. Se designaron nueve tareas para la formación y tres quedaron fuera de la formación posterior; Las descripciones de las tareas fueron generadas por GPT-5.5 antes del experimento.
En las tres tareas de prueba pendientes, la tasa de victoria del modelo juzgada externamente frente a su versión base aumentó del 53,9% después de una ronda al 69,9% después de dos. El modelo de segunda ronda también superó al modelo de primera ronda en un 60,8% de las comparaciones. Para evitar calificar con el mismo criterio utilizado durante el entrenamiento, los investigadores hicieron que GPT-5.5 y Claude Opus 4.8 evaluaran el trabajo completado, y esos juicios se retuvieron del propio MASS.
La eficiencia mejoró junto con la calidad. Después de dos rondas, la puntuación por token de salida alcanzó entre 1,2 y 1,6 veces el nivel del modelo base en cuatro puntos de referencia públicos: MLR-Bench, DSBench, ScienceAgentBench y AstaBench.
Una cuestión de seguridad, no sólo una demostración de capacidad
Los autores son explícitos en que la instalación también funciona como sonda de seguridad. Si los sistemas de investigación automatizados pueden aumentar sus propias capacidades, las condiciones que producen mejoras galopantes deben entenderse tempranamente: el documento señala que la perspectiva de una explosión de inteligencia "da más razones para estudiar estas condiciones tempranamente", enmarcando su pregunta central en cómo preservar una supervisión significativa cuando no hay un supervisor más fuerte disponible.
La publicación llega en medio de un debate cada vez más intenso sobre ese riesgo exacto. A finales de septiembre, Geoffrey Hinton, Yoshua Bengio y otros destacados científicos emitieron una advertencia pública sobre la posibilidad de una explosión descontrolada de inteligencia, y la investigación sobre sistemas de agentes que realizan trabajos científicos se ha acelerado en todo el campo.
Limitaciones a tener en cuenta
Los resultados vienen con salvedades que los autores reconocen. El conjunto sintético es pequeño y todas las señales de entrenamiento se autogeneran, lo que significa que el diseño desconoce la exactitud de los propios juicios del modelo: los jueces externos se utilizan solo para medición, no para entrenamiento. Una tarea de capacitación fue excluida después de que la búsqueda de flujo de trabajo no pudo encontrar ningún flujo de trabajo que superara su referencia, un recordatorio de que el ciclo no siempre produce ganancias. Y las propias evaluaciones externas se basaron en modelos de frontera, que son sustitutos imperfectos de la verdad sobre el terreno.
¿Qué viene después?
Para Sakana AI, MASS amplía una agenda de investigación centrada en la automatización del proceso científico en sí, siguiendo el trabajo anterior del laboratorio en la generación de experimentos impulsados por IA y sistemas de revisión agentes para verificar las afirmaciones de la investigación. Si la receta de autosupervisión colectiva va más allá de las tareas sintéticas, el cuello de botella al que apunta (supervisar la producción de IA en la frontera) solo se volverá más apremiante a medida que se multipliquen los sistemas de investigación automatizados.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
