Para peneliti di Sakana AI dan UC Berkeley telah menerbitkan metode yang menurut mereka memungkinkan model bahasa memperbaiki dirinya sendiri dengan mengatur, menilai, dan belajar dari tim multi-agennya sendiri — sebuah pendekatan yang memperluas perbaikan diri secara rekursif ke dalam tugas-tugas penelitian di mana tidak ada kunci jawaban otomatis.
Makalah, "MASS: Peningkatan Diri Rekursif melalui Pengawasan Mandiri Multi-Agen," muncul pada Oktober 2026 di arXiv (2610.12176) di samping halaman proyek interaktif dari lab yang berbasis di Tokyo. Daftar penulisnya mencakup kedua institusi: Hyunin Lee dari UC Berkeley, yang menyelesaikan pekerjaannya selama magang di Sakana AI; Peneliti Sakana Jinglue Xu, Jeffrey Seely dan Yujin Tang; dan Donghyun Lee dari UC Berkeley, Somayeh Sojoudi dan Matei Zaharia. For more context on this story, see our ongoing artificial intelligence updates.
Pekerjaan ini segera menarik perhatian komunitas pengembang pada akhir pekan, di mana diskusi Hacker News mengenai proyek tersebut mencapai 100 poin dalam beberapa jam.
Ketika Model Adalah Satu-Satunya Supervisor yang Tersedia
Kemajuan terbaru dalam pengembangan AI bergantung pada imbalan yang dapat diverifikasi: jawaban matematika yang dapat diperiksa, kode yang lulus tes atau tidak. Tim Berkeley-Sakana memulai dari premis yang berbeda. Di bidang penelitian, menurut mereka, sering kali tidak ada kebenaran mendasar yang bisa diperoleh. Mengevaluasi usulan penemuan mungkin memerlukan keahlian yang langka, peralatan yang mahal, atau eksperimen yang memakan waktu jauh lebih lama dibandingkan menghasilkan proposal itu sendiri.
Hasilnya adalah kesenjangan yang semakin lebar: kemampuan menghasilkan pekerjaan baru berkembang lebih cepat dibandingkan kemampuan mengawasinya. Ketika tidak ada guru yang lebih kuat yang tersedia, penulis menulis, model yang diperbaiki – yang mereka sebut “pengoptimal” – mungkin merupakan supervisor yang paling mampu. Hal ini memotivasi apa yang mereka sebut perbaikan diri rekursif homogen, di mana model yang sama berfungsi sebagai pengoptimal dan penilainya sendiri.
Pertanyaan terbukanya adalah bagaimana suatu sistem dapat menghasilkan sinyal pelatihan yang berguna untuk dirinya sendiri dalam loop tersebut. Jawaban mereka meminjam dari sejarah manusia.
Cara Kerja MASSA
MASS, kependekan dari Multi-Agent Self-Supervision, mengubah satu model bersama menjadi sistem tiga peran. Bobot yang sama bertindak sebagai agen penyelesaian tugas yang menghasilkan ruang kerja kode, hasil, dan laporan penelitian; pengoptimal alur kerja yang merevisi cara tim subagen membagi pekerjaan; dan evaluator yang membandingkan dua ruang kerja dan menilai mana yang lebih memenuhi tugas.
Lingkaran dalam menelusuri alur kerja tim — rencana tertulis yang mencakup peran masing-masing subagen, instruksinya, "kontrak" yang menentukan bukti apa yang harus diserahkan agen satu sama lain, dan urutan panggilan, atau lompatan, di antara keduanya. Alur kerja juara dipertahankan di seluruh iterasi dan harus dikalahkan untuk diganti. Salah satu alur kerja keuangan yang berevolusi, yang diringkas dalam makalah, mengurutkan persiapan data, konstruksi fitur, pemodelan, dan pengujian ulang sebelum audit, dan kontrak datanya memaksa spesialis data untuk memeriksa bahwa pengujian ulang tidak dapat membocorkan informasi masa depan ke dalam keputusan historis.
Lingkaran luar kemudian mengubah pengalaman kolektif tim menjadi data pelatihan. Sistem ini menjalankan alur kerja champion sebanyak 18 kali, memberi peringkat mandiri pada ruang kerja yang dihasilkan, mempertahankan 16 eksekusi terbaik, dan menyempurnakan model bersama — dengan prompt alur kerja itu sendiri dihapus setelahnya, sehingga keterampilan koordinasi dibawa dalam bobot, bukan dalam instruksi. Model yang diperbarui kemudian melanjutkan ketiga peran tersebut, dan prosesnya berulang.
Keuntungan Terukur dari Tugas yang Tidak Dapat Diverifikasi
Tim menjalankan dua putaran MASS lengkap mulai dari Qwen3.6-27B di lingkungan agen pengkodean kode qwen. Tempat pelatihannya adalah serangkaian 12 tugas penelitian sintetik yang mencakup keuangan, robotika, dan farmasi, masing-masing memerlukan kode, hasil kuantitatif, dan laporan tertulis. Sembilan tugas ditujukan untuk pelatihan dan tiga tugas dilaksanakan setelah pasca pelatihan; deskripsi tugas dihasilkan oleh GPT-5.5 sebelum percobaan.
Pada tiga tugas pengujian yang diadakan, tingkat kemenangan model yang dinilai secara eksternal terhadap versi dasarnya meningkat dari 53,9% setelah satu putaran menjadi 69,9% setelah dua putaran. Model putaran kedua juga mengalahkan model putaran pertama dengan perbandingan 60,8%. Untuk menghindari penilaian dengan tolok ukur yang sama dengan yang digunakan selama pelatihan, para peneliti meminta GPT-5.5 dan Claude Opus 4.8 menilai pekerjaan yang telah selesai, dan penilaian tersebut dirahasiakan dari MASS itu sendiri.
Efisiensi meningkat seiring dengan kualitas. Setelah dua putaran, skor per token keluaran mencapai 1,2 hingga 1,6 kali lipat level model dasar di empat tolok ukur publik: MLR-Bench, DSBench, ScienceAgentBench, dan AstaBench.
Pertanyaan Keamanan, Bukan Sekadar Demo Kemampuan
Penulis secara eksplisit menyatakan bahwa pengaturan tersebut juga berfungsi sebagai pemeriksaan keamanan. Jika sistem penelitian otomatis dapat menggabungkan kemampuan mereka, kondisi yang menghasilkan perbaikan yang cepat perlu dipahami sejak dini. Makalah ini mencatat bahwa prospek ledakan intelijen “memberikan alasan lebih lanjut untuk mempelajari kondisi ini sejak dini,” yang menyusun pertanyaan utamanya adalah bagaimana mempertahankan pengawasan yang berarti ketika tidak ada pengawas yang lebih kuat.
Publikasi ini muncul di tengah perdebatan yang semakin intensif mengenai risiko tersebut. Pada akhir bulan September, Geoffrey Hinton, Yoshua Bengio dan ilmuwan terkemuka lainnya mengeluarkan peringatan publik tentang kemungkinan ledakan intelijen yang tidak terkendali, dan penelitian terhadap sistem agen yang melakukan pekerjaan ilmiah telah meningkat pesat di seluruh bidang.
Batasan yang Perlu Diingat
Hasilnya datang dengan peringatan yang penulis akui. Rangkaian sintetisnya berukuran kecil, dan semua sinyal pelatihan dihasilkan sendiri, yang berarti kebenaran penilaian model sendiri tidak diketahui secara pasti — juri eksternal hanya digunakan untuk pengukuran, bukan pelatihan. Satu tugas pelatihan dikecualikan setelah pencarian alur kerja gagal menemukan alur kerja apa pun yang mengalahkan referensinya, sebuah pengingat bahwa loop tidak selalu menghasilkan keuntungan. Dan evaluasi eksternal sendiri bergantung pada model frontier, yang tidak mewakili kebenaran dasar.
Apa yang Terjadi Selanjutnya
Untuk Sakana AI, MASS memperluas agenda penelitian yang berfokus pada otomatisasi proses ilmiah itu sendiri, mengikuti pekerjaan laboratorium sebelumnya dalam pembuatan eksperimen berbasis AI dan sistem peninjauan agen untuk memeriksa klaim penelitian. Jika resep pengawasan mandiri kolektif melampaui tugas-tugas sintetis, hambatan yang ditargetkan – mengawasi keluaran AI di garis depan – hanya akan semakin mendesak seiring dengan berkembangnya sistem penelitian otomatis.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
