Sakana AI とカリフォルニア大学バークレー校の研究者らは、独自のマルチエージェント チームを組織し、判断し、そこから学習することで言語モデル自体を改善できるという手法を発表しました。これは、再帰的な自己改善を自動回答キーが存在しない研究タスクに拡張するアプローチです。

論文「MASS: マルチエージェント自己監視による再帰的自己改善」は、東京に拠点を置く研究室のインタラクティブなプロジェクト ページとともに arXiv (2610.12176) に 2026 年 10 月に掲載されました。その著者リストは両方の機関にまたがっています。カリフォルニア大学バークレー校のヒョニン・リー氏は、Sakana AI でのインターンシップ中にこの作品を完成させました。サカナ研究者のJinglue Xu、Jeffrey Seely、Yujin Tang。カリフォルニア大学バークレー校のドンヒョン・リー氏、ソメイエ・ソジョディ氏、マテイ・ザハリア氏。 この件の詳細は、人工知能の最新情報をご覧ください。

この取り組みは週末に開発者コミュニティで即座に注目を集め、プロジェクトに関する Hacker News の議論は数時間以内に 100 ポイントを超えました。

モデルが使用可能な唯一のスーパーバイザである場合

AI の自己改善における最近の進歩は、検証可能な報酬、つまり、チェックできる数学の答え、テストに合格するかどうかのコードに依存しています。バークレーとサカナのチームは異なる前提からスタートします。研究の最前線では、手元に正しい真実が存在しないことが多い、と彼らは主張する。提案された発見を評価するには、乏しい専門知識、高価な機器、または提案自体を作成するよりもはるかに長い時間がかかる実験が必要になる場合があります。

その結果、格差は拡大します。新しい作品を生み出す能力は、それを監督する能力よりも早く進歩しています。著者らは、より強力な教師がいない場合、改善されるモデル、つまり彼らが「最適化対象者」と呼ぶモデルが、残された最も有能な教師になる可能性があると書いている。これは、同じモデルが独自の最適化装置および評価装置として機能する、同種再帰的自己改善と彼らが呼ぶものを動機づけます。

未解決の問題は、システムがそのループ内でそれ自体に有用なトレーニング信号をどのように生成できるかということです。彼らの答えは人類の歴史から借用したものです。

MASS の仕組み

MASS は Multi-Agent Self-Supervision の略で、1 つの共有モデルを 3 つの役割のシステムに変えます。同じウェイトは、コード、結果、調査レポートのワークスペースを生成するタスク解決エージェントとして機能します。サブエージェントのチームが作業を分割する方法を修正するワークフロー オプティマイザー。もう 1 つは、2 つのワークスペースを比較し、どちらがよりタスクを満たしているかを判断する評価者です。

内側のループは、チームのワークフロー、つまり各サブエージェントの役割、その指示、エージェントが相互に渡さなければならない証拠を指定する「契約」、およびサブエージェント間のコールまたはホップのシーケンスをカバーする書面による計画を検索します。チャンピオンのワークフローは繰り返しにわたって保持され、置き換えるには破る必要があります。この論文には進化した財務ワークフローの 1 つが凝縮されており、データの準備、特徴の構築、モデリング、監査前のバックテストが順序付けられており、そのデータ契約により、データ スペシャリストはバックテストによって将来の情報が過去の決定に漏洩する可能性がないことを確認する必要があります。

次に、外側のループは、チームの集合的な経験をトレーニング データに変換します。このシステムは、チャンピオン ワークフローを 18 回実行し、結果のワークスペースを自己ランク付けし、最良の 16 件の実行を維持し、それらの共有モデルを微調整します。その後、ワークフロー プロンプト自体が削除されるため、調整スキルは指示ではなく重みに反映されます。その後、更新されたモデルは 3 つの役割すべてを再開し、プロセスが繰り返されます。

検証不可能なタスクでの測定可能な利益

チームは、qwen-code コーディング エージェント環境で、Qwen3.6-27B から始まる MASS の 2 つの完全なラウンドを実行しました。訓練場は、金融、ロボット工学、薬学に及ぶ 12 の総合的な研究タスクからなる一連のタスクであり、それぞれのタスクにはコード、定量的結果、書面によるレポートが必要でした。 9 つのタスクがトレーニングに指定され、3 つはトレーニング後に延期されました。タスクの説明は、実験前に GPT-5.5 によって生成されました。

3 つのテスト タスクで、ベース バージョンに対するモデルの外部から判断された勝率は、1 ラウンド後の 53.9% から 2 ラウンド後の 69.9% に上昇しました。第 2 ラウンドのモデルは、比較の 60.8% においても第 1 ラウンドのモデルを上回りました。トレーニング中に使用したのと同じ基準で採点することを避けるために、研究者らは完成した作品を GPT-5.5 と Claude Opus 4.8 で評価させましたが、それらの判断は MASS 自体には差し控えられました。

品質とともに効率も向上しました。 2 ラウンド後、出力トークンあたりのスコアは、MLR-Bench、DSBench、ScienceAgentBench、AstaBench の 4 つの公開ベンチマーク全体で基本モデルのレベルの 1.2 ～ 1.6 倍に達しました。

単なる機能のデモではなく、安全性に関する質問

著者らは、このセットアップが安全プローブとしても機能すると明言しています。自動化された研究システムがその能力をさらに強化できるのであれば、暴走的な改善をもたらす条件を早期に理解する必要がある。論文は、知能爆発の見通しが「これらの条件を早期に研究するさらなる理由を与える」と述べ、より強力な監督者がいない場合に意味のある監視をどのように維持するかという中心的な問題を枠組み化している。

この出版物は、まさにそのリスクに関する議論が激化する中で発売された。 9月下旬、ジェフリー・ヒントン、ヨシュア・ベンジオ、その他の主要な科学者らが、知能爆発の暴走の可能性について公に警告を発し、科学的作業を遂行するエージェントシステムの研究がこの分野全体で加速している。

留意すべき制限事項

この結果には、著者も認めている注意事項が伴います。合成スイートは小さく、すべてのトレーニング信号は自己生成されます。つまり、モデル自身の判断の正しさは設計上不明です。外部の判断はトレーニングではなく測定のみに使用されます。ワークフロー検索で参照を超えるワークフローが見つからなかったために 1 つのトレーニング タスクが除外されました。これは、ループが常に利益を生み出すわけではないことを思い出させます。そして、外部評価自体は、グラウンドトゥルースの不完全な代用であるフロンティアモデルに依存していました。

次に何が起こるか

MASS は、Sakana AI に関して、AI 主導の実験生成と研究主張をチェックするためのエージェントレビュー システムに関する研究室の以前の取り組みに続き、科学プロセス自体の自動化に焦点を当てた研究課題を拡張しました。集団的自己監視レシピが合成タスクを超えて移行する場合、それがターゲットとするボトルネック、つまり最前線での AI 出力の監視は、自動化された研究システムが増加するにつれてさらに差し迫ったものになるだけです。

---

AIの最新情報をお届け

AIの最新ニュース、分析、ブレイクスルーを一箇所で。

AIニュースをもっと読む →