Penyelidik di Sakana AI dan UC Berkeley telah menerbitkan kaedah yang mereka katakan membolehkan model bahasa memperbaiki dirinya sendiri dengan mengatur, menilai dan belajar daripada pasukan berbilang ejennya sendiri — pendekatan yang memanjangkan peningkatan diri secara rekursif ke dalam tugas penyelidikan yang tiada kunci jawapan automatik wujud.
Kertas kerja, "MASS: Pembaikan Kendiri Rekursif melalui Penyeliaan Kendiri Pelbagai Agen," muncul pada Oktober 2026 di arXiv (2610.12176) bersama halaman projek interaktif dari makmal yang berpangkalan di Tokyo. Senarai pengarangnya merangkumi kedua-dua institusi: Hyunin Lee dari UC Berkeley, yang menyelesaikan kerja semasa latihan di Sakana AI; Penyelidik Sakana Jinglu 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 breaking AI news.
Kerja itu menarik perhatian segera dalam komuniti pembangun pada hujung minggu, di mana perbincangan Hacker News mengenai projek itu melepasi 100 mata dalam beberapa jam.
Apabila Model Adalah Satu-satunya Penyelia Yang Tersedia
Kemajuan terkini dalam AI mempertingkatkan diri bergantung pada ganjaran yang boleh disahkan: jawapan matematik yang boleh disemak, kod yang sama ada lulus ujian atau tidak. Pasukan Berkeley-Sakana bermula dari premis yang berbeza. Di sempadan penyelidikan, mereka berpendapat, selalunya tiada kebenaran asas di tangan. Menilai penemuan yang dicadangkan mungkin memerlukan kepakaran yang terhad, peralatan yang mahal atau eksperimen yang mengambil masa lebih lama daripada menjana cadangan itu sendiri.
Hasilnya ialah jurang yang semakin melebar: keupayaan untuk menghasilkan kerja baharu semakin pantas daripada keupayaan untuk menyelianya. Apabila tiada guru yang lebih kuat tersedia, pengarang menulis, model yang sedang dipertingkatkan — apa yang mereka panggil "optimumkan" — mungkin merupakan penyelia yang paling berkebolehan. Itu mendorong apa yang mereka istilahkan sebagai pembaikan diri rekursif homogen, di mana model yang sama berfungsi sebagai pengoptimum dan penilainya sendiri.
Soalan terbuka ialah bagaimana sistem boleh menjana isyarat latihan yang berguna untuk dirinya sendiri dalam gelung itu. Jawapan mereka meminjam daripada sejarah manusia.
Bagaimana MASS Berfungsi
MASS, singkatan dari Multi-Agent Self-Supervision, menjadikan satu model kongsi menjadi sistem tiga peranan. Wajaran yang sama bertindak sebagai ejen penyelesaian tugas yang menghasilkan ruang kerja kod, hasil dan laporan penyelidikan; pengoptimum aliran kerja yang menyemak semula cara pasukan subagen membahagikan kerja; dan penilai yang membandingkan dua ruang kerja dan hakim yang lebih memuaskan tugas.
Gelung dalaman mencari aliran kerja pasukan — pelan bertulis yang merangkumi peranan setiap subagen, arahannya, "kontrak" yang menyatakan bukti yang perlu diserahkan oleh ejen satu sama lain, dan urutan panggilan, atau lompatan, antara mereka. Aliran kerja juara dikekalkan merentas lelaran dan mesti dipukul untuk diganti. Satu aliran kerja kewangan yang berkembang, padat dalam kertas, menyusun penyediaan data, pembinaan ciri, pemodelan dan ujian belakang sebelum audit, dan kontrak datanya memaksa pakar data untuk menyemak bahawa ujian belakang tidak boleh membocorkan maklumat masa depan ke dalam keputusan sejarah.
Gelung luar kemudian menukar pengalaman kolektif pasukan kepada data latihan. Sistem menjalankan aliran kerja juara 18 kali, menyusun sendiri ruang kerja yang terhasil, menyimpan 16 pelaksanaan terbaik dan memperhalusi model yang dikongsi padanya — dengan gesaan aliran kerja itu sendiri dialih keluar selepas itu, jadi kemahiran penyelarasan dibawa dalam pemberat dan bukannya arahan. Model yang dikemas kini kemudian menyambung semula ketiga-tiga peranan, dan proses itu berulang.
Keuntungan Boleh Diukur pada Tugasan Tidak Boleh Disahkan
Pasukan ini menjalankan dua pusingan lengkap MASS bermula dari Qwen3.6-27B dalam persekitaran ejen pengekodan kod qwen. Tempat latihan adalah satu set 12 tugas penyelidikan sintetik yang merangkumi kewangan, robotik dan farmasi, setiap satu memerlukan kod, keputusan kuantitatif dan laporan bertulis. Sembilan tugas telah ditetapkan untuk latihan dan tiga telah diadakan selepas latihan; huraian tugas telah dihasilkan oleh GPT-5.5 sebelum eksperimen.
Pada tiga tugasan ujian yang ditangguhkan, kadar kemenangan model yang dinilai secara luaran berbanding versi asasnya meningkat daripada 53.9% selepas satu pusingan kepada 69.9% selepas dua. Model pusingan kedua juga mengalahkan model pusingan pertama dalam 60.8% perbandingan. Untuk mengelakkan penggredan dengan kayu pengukur yang sama yang digunakan semasa latihan, penyelidik mempunyai GPT-5.5 dan Claude Opus 4.8 menilai kerja yang telah disiapkan, dengan penghakiman tersebut ditahan daripada MASS itu sendiri.
Kecekapan dipertingkatkan bersama kualiti. Selepas dua pusingan, skor setiap token output mencapai 1.2 hingga 1.6 kali tahap model asas merentas empat penanda aras awam: MLR-Bench, DSBench, ScienceAgentBench dan AstaBench.
Soalan Keselamatan, Bukan Sekadar Demo Keupayaan
Pengarang secara eksplisit bahawa persediaan berfungsi sebagai probe keselamatan. Jika sistem penyelidikan automatik boleh menggabungkan keupayaan mereka sendiri, keadaan yang menghasilkan penambahbaikan perlu difahami lebih awal - kertas itu menyatakan bahawa prospek letupan perisikan "memberi sebab lebih lanjut untuk mengkaji keadaan ini lebih awal," membingkai persoalan utamanya tentang bagaimana untuk mengekalkan pengawasan yang bermakna apabila tiada penyelia yang lebih kuat tersedia.
Penerbitan itu tiba di tengah-tengah perdebatan yang semakin sengit mengenai risiko yang tepat itu. Pada akhir September, Geoffrey Hinton, Yoshua Bengio dan saintis terkemuka lain mengeluarkan amaran awam tentang kemungkinan letupan perisikan yang melarikan diri, dan penyelidikan ke dalam sistem agen yang menjalankan kerja saintifik telah dipercepatkan di seluruh bidang.
Had yang Perlu Diingati
Hasilnya datang dengan kaveat yang diakui oleh penulis. Suite sintetik adalah kecil, dan semua isyarat latihan dijana sendiri, bermakna ketepatan penilaian model itu sendiri tidak diketahui oleh reka bentuk — hakim luaran hanya digunakan untuk pengukuran, bukan latihan. Satu tugas latihan telah dikecualikan selepas carian aliran kerja gagal menemui sebarang aliran kerja yang mengatasi rujukannya, peringatan bahawa gelung tidak selalu menghasilkan keuntungan. Dan penilaian luaran itu sendiri bergantung pada model sempadan, yang merupakan proksi yang tidak sempurna untuk kebenaran asas.
Apa Yang Akan Datang
Untuk Sakana AI, MASS melanjutkan agenda penyelidikan yang tertumpu pada mengautomasikan proses saintifik itu sendiri, berikutan kerja awal makmal mengenai penjanaan percubaan dipacu AI dan sistem semakan agen untuk menyemak tuntutan penyelidikan. Jika resipi penyeliaan kendiri kolektif melangkaui tugas sintetik, kesesakan yang disasarkannya — menyelia keluaran AI di sempadan — hanya akan menjadi lebih mendesak apabila sistem penyelidikan automatik bertambah banyak.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
