Des chercheurs de Sakana AI et de l'UC Berkeley ont publié une méthode qui, selon eux, permet à un modèle de langage de s'améliorer en organisant, en jugeant et en apprenant de ses propres équipes multi-agents - une approche qui étend l'auto-amélioration récursive aux tâches de recherche pour lesquelles il n'existe pas de réponse automatique.
L'article, « MASS : Recursive Self-Improvement through Multi-Agent Self-Supervision », est paru en octobre 2026 sur arXiv (2610.12176) aux côtés d'une page de projet interactive du laboratoire basé à Tokyo. Sa liste d'auteurs couvre les deux institutions : Hyunin Lee de l'UC Berkeley, qui a réalisé le travail lors d'un stage chez Sakana AI ; les chercheurs Sakana Jinglue Xu, Jeffrey Seely et Yujin Tang ; et Donghyun Lee, Somayeh Sojoudi et Matei Zaharia de l'UC Berkeley. Pour plus de contexte sur cette histoire, consultez notre tendances IA.
Le travail a immédiatement attiré l'attention de la communauté des développeurs au cours du week-end, où une discussion de Hacker News sur le projet a dépassé les 100 points en quelques heures.
Lorsque le modèle est le seul superviseur disponible
Les progrès les plus récents en matière d’IA auto-améliorée reposent sur des récompenses vérifiables : des réponses mathématiques qui peuvent être vérifiées, un code qui réussit ou non les tests. L'équipe de Berkeley-Sakana part d'un principe différent. À la frontière de la recherche, affirment-ils, il n’existe souvent aucune vérité terrain à portée de main. L'évaluation d'une découverte proposée peut nécessiter une expertise limitée, des équipements coûteux ou des expériences qui prennent beaucoup plus de temps que la génération de la proposition elle-même.
Le résultat est un écart grandissant : la capacité à produire du nouveau travail progresse plus vite que la capacité à le superviser. Lorsqu'aucun enseignant plus fort n'est disponible, écrivent les auteurs, le modèle en cours d'amélioration – ce qu'ils appellent « l'optimisé » – peut être le superviseur le plus compétent qui reste. Cela motive ce qu’ils appellent une auto-amélioration récursive homogène, dans laquelle le même modèle sert de son propre optimiseur et évaluateur.
La question ouverte est de savoir comment un système peut générer un signal d’entraînement utile pour lui-même dans cette boucle. Leur réponse emprunte à l’histoire humaine.
Comment fonctionne MASS
MASS, abréviation de Multi-Agent Self-Supervision, transforme un modèle partagé en un système à trois rôles. Les mêmes poids agissent comme un agent de résolution de tâches qui produit un espace de travail contenant du code, des résultats et un rapport de recherche ; l'optimiseur de flux de travail qui révise la façon dont une équipe de sous-agents divise le travail ; et l'évaluateur qui compare deux espaces de travail et juge celui qui satisfait le mieux à la tâche.
La boucle interne recherche dans les flux de travail des équipes : des plans écrits couvrant le rôle de chaque sous-agent, ses instructions, les « contrats » spécifiant les preuves que les agents doivent se transmettre et la séquence d'appels, ou sauts, entre eux. Un workflow de champion est conservé au fil des itérations et doit être battu pour être remplacé. Un workflow financier évolué, condensé dans le document, séquence la préparation des données, la construction des fonctionnalités, la modélisation et le backtest avant un audit, et son contrat de données oblige le spécialiste des données à vérifier qu'un backtest n'a pas pu divulguer d'informations futures dans des décisions historiques.
La boucle externe convertit ensuite l'expérience collective de l'équipe en données d'entraînement. Le système exécute le flux de travail champion 18 fois, classe automatiquement les espaces de travail résultants, conserve les 16 meilleures exécutions et affine le modèle partagé sur celles-ci - l'invite de flux de travail elle-même étant supprimée par la suite, de sorte que les compétences de coordination sont transportées dans les poids plutôt que dans les instructions. Le modèle mis à jour reprend ensuite les trois rôles et le processus se répète.
Gains mesurables sur des tâches non vérifiables
L’équipe a exécuté deux séries complètes de MASS à partir de Qwen3.6-27B dans l’environnement d’agent de codage qwen-code. Le terrain de formation consistait en une suite de 12 tâches de recherche synthétique couvrant la finance, la robotique et la pharmacie, chacune nécessitant du code, des résultats quantitatifs et un rapport écrit. Neuf tâches ont été désignées pour la formation et trois ont été réalisées après la formation ; les descriptions de tâches ont été générées par GPT-5.5 avant l'expérience.
Sur les trois tâches de test réalisées, le taux de victoire du modèle, évalué en externe par rapport à sa version de base, est passé de 53,9 % après un tour à 69,9 % après deux. Le modèle du deuxième tour a également battu le modèle du premier tour dans 60,8 % des comparaisons. Pour éviter de noter avec le même critère utilisé lors de la formation, les chercheurs ont demandé à GPT-5.5 et Claude Opus 4.8 d'évaluer le travail terminé, ces jugements étant cachés au MASS lui-même.
L’efficacité s’est améliorée parallèlement à la qualité. Après deux tours, le score par jeton de sortie a atteint 1,2 à 1,6 fois le niveau du modèle de base sur quatre benchmarks publics : MLR-Bench, DSBench, ScienceAgentBench et AstaBench.
Une question de sécurité, pas seulement une démonstration de capacités
Les auteurs précisent clairement que la configuration sert également de sonde de sécurité. Si les systèmes de recherche automatisés peuvent accroître leurs propres capacités, les conditions qui produisent une amélioration incontrôlable doivent être comprises très tôt – le document note que la perspective d’une explosion du renseignement « donne une raison supplémentaire d’étudier ces conditions le plus tôt possible », formulant la question centrale comme comment préserver une surveillance significative lorsqu’aucun superviseur plus fort n’est disponible.
La publication arrive au milieu d’un débat qui s’intensifie sur ce risque précis. Fin septembre, Geoffrey Hinton, Yoshua Bengio et d’autres scientifiques de renom ont lancé un avertissement public concernant la possibilité d’une explosion incontrôlée des renseignements, et la recherche sur les systèmes agents qui conduisent des travaux scientifiques s’est accélérée dans ce domaine.
Limitations à garder à l'esprit
Les résultats sont assortis de réserves que les auteurs reconnaissent. La suite synthétique est petite et tous les signaux d'entraînement sont auto-générés, ce qui signifie que l'exactitude des propres jugements du modèle est inconnue de par sa conception : les juges externes ne sont utilisés que pour la mesure, pas pour l'entraînement. Une tâche de formation a été exclue après que la recherche de flux de travail n'a pas permis de trouver un flux de travail dépassant sa référence, rappelant que la boucle ne produit pas toujours des gains. Et les évaluations externes elles-mêmes reposaient sur des modèles frontières, qui sont des indicateurs imparfaits de la vérité terrain.
Ce qui vient ensuite
Pour Sakana AI, MASS étend un programme de recherche axé sur l'automatisation du processus scientifique lui-même, à la suite des travaux antérieurs du laboratoire sur la génération d'expériences basées sur l'IA et les systèmes d'examen agent pour vérifier les affirmations de la recherche. Si la recette de l’auto-supervision collective va au-delà des tâches synthétiques, le goulot d’étranglement qu’elle cible – la supervision de la production de l’IA à la frontière – ne fera que devenir plus pressant à mesure que les systèmes de recherche automatisés se multiplient.
---
Restez à la Pointe de l'IALes dernières actualités, analyses et percées en IA — au même endroit.
Lire plus d'actualités IA →
