Forskare vid Sakana AI och UC Berkeley har publicerat en metod som de säger låter en språkmodell förbättra sig själv genom att organisera, bedöma och lära av sina egna multi-agent-team – ett tillvägagångssätt som utökar rekursiv självförbättring till forskningsuppgifter där ingen automatisk svarsnyckel existerar.
Tidningen, "MASS: Rekursiv självförbättring genom Multi-Agent Self-Supervision", dök upp i oktober 2026 på arXiv (2610.12176) tillsammans med en interaktiv projektsida från det Tokyo-baserade labbet. Dess författarlista spänner över båda institutionerna: Hyunin Lee från UC Berkeley, som slutförde arbetet under en praktik på Sakana AI; Sakana-forskarna Jinglue Xu, Jeffrey Seely och Yujin Tang; och UC Berkeleys Donghyun Lee, Somayeh Sojoudi och Matei Zaharia. For more context on this story, see our ongoing AI news.
Arbetet väckte omedelbar uppmärksamhet i utvecklargemenskapen under helgen, där en Hacker News-diskussion om projektet passerade 100 poäng inom några timmar.
När modellen är den enda tillgängliga handledaren
De senaste framstegen inom självförbättrande AI har förlitat sig på verifierbara belöningar: matematiska svar som kan kontrolleras, kod som antingen klarar tester eller inte. Berkeley-Sakana-teamet utgår från en annan premiss. Vid forskningsfronten, menar de, finns det ofta ingen grundsanning till hands. Att utvärdera en föreslagen upptäckt kan kräva knapp expertis, kostsam utrustning eller experiment som tar mycket längre tid än att generera själva förslaget.
Resultatet är ett allt större gap: förmågan att producera nytt arbete utvecklas snabbare än förmågan att övervaka det. När ingen starkare lärare finns tillgänglig, skriver författarna, kan modellen som förbättras - vad de kallar "optimizee" - vara den mest kapabla handledaren som finns kvar. Det motiverar vad de kallar homogen rekursiv självförbättring, där samma modell fungerar som sin egen optimerare och utvärderare.
Den öppna frågan är hur ett system kan generera en användbar träningssignal för sig själv i den slingan. Deras svar lånar från mänsklighetens historia.
Hur MASS fungerar
MASS, förkortning för Multi-Agent Self-Supervision, förvandlar en delad modell till ett trerollssystem. Samma vikter fungerar som uppgiftslösaren som producerar en arbetsyta med kod, resultat och en forskningsrapport; arbetsflödesoptimeraren som reviderar hur ett team av subagenter delar upp arbetet; och utvärderaren som jämför två arbetsytor och bedömer som bättre tillfredsställer uppgiften.
Den inre slingan söker igenom teamarbetsflöden - skrivna planer som täcker varje subagents roll, dess instruktioner, "kontrakten" som anger vilka bevisagenter som måste ge varandra, och sekvensen av samtal, eller hopp, mellan dem. Ett mästararbetsflöde bibehålls över iterationer och måste slås för att ersättas. Ett utvecklat ekonomiarbetsflöde, sammanfattat i tidningen, sekvenserar dataförberedelser, funktionskonstruktion, modellering och backtesting före en revision, och dess datakontrakt tvingar dataspecialisten att kontrollera att ett backtest inte kunde ha läckt framtida information till historiska beslut.
Den yttre slingan omvandlar sedan lagets samlade erfarenhet till träningsdata. Systemet kör mästararbetsflödet 18 gånger, självrankar de resulterande arbetsytorna, behåller de bästa 16 exekveringarna och finjusterar den delade modellen på dem – med själva arbetsflödesprompten borttagen efteråt, så koordinationsförmågan bärs i vikterna snarare än instruktionerna. Den uppdaterade modellen återupptar sedan alla tre rollerna, och processen upprepas.
Mätbara vinster på icke-verifierbara uppgifter
Teamet körde två kompletta omgångar av MASS med start från Qwen3.6-27B i qwen-code coding-agent-miljön. Utbildningsplatsen var en svit med 12 syntetiska forskningsuppgifter som spänner över ekonomi, robotteknik och farmaci, som var och en krävde kod, kvantitativa resultat och en skriftlig rapport. Nio uppgifter utsågs för utbildning och tre hölls utanför efter utbildningen; uppgiftsbeskrivningar genererades av GPT-5.5 före experimentet.
På de tre uthållna testuppgifterna steg modellens externt bedömda vinstgrad mot sin basversion från 53,9 % efter en omgång till 69,9 % efter två. Den andra omgångsmodellen slog också den första omgångsmodellen i 60,8 % av jämförelserna. För att undvika betygsättning med samma måttstock som användes under utbildningen lät forskarna GPT-5.5 och Claude Opus 4.8 bedöma det färdiga arbetet, med dessa bedömningar undanhållna från MASS själv.
Effektiviteten förbättrades tillsammans med kvaliteten. Efter två omgångar nådde poängen per output-token 1,2 till 1,6 gånger basmodellens nivå över fyra offentliga riktmärken: MLR-Bench, DSBench, ScienceAgentBench och AstaBench.
En säkerhetsfråga, inte bara en funktionsdemo
Författarna är tydliga att installationen fungerar som en säkerhetsprob. Om automatiserade forskningssystem kan förstärka sin egen kapacitet, måste förhållanden som ger skenande förbättringar förstås tidigt - tidningen noterar att utsikterna till en underrättelseexplosion "ger ytterligare anledning att studera dessa förhållanden tidigt", vilket skapar en central fråga om hur man kan bevara meningsfull tillsyn när ingen starkare handledare är tillgänglig.
Publikationen landar mitt i en intensifierad debatt om just den risken. I slutet av september utfärdade Geoffrey Hinton, Yoshua Bengio och andra ledande forskare en offentlig varning om möjligheten av en skenande intelligensexplosion, och forskningen om agentsystem som utför vetenskapligt arbete har accelererat över hela fältet.
Begränsningar att tänka på
Resultaten kommer med förbehåll som författarna erkänner. Den syntetiska sviten är liten och all träningssignal är självgenererad, vilket betyder att modellens egna bedömningar är okänd genom design – externa domare används endast för mätning, inte träning. En träningsuppgift uteslöts efter att arbetsflödessökningen inte lyckades hitta något arbetsflöde som slog dess referens, en påminnelse om att slingan inte alltid ger vinster. Och de externa utvärderingarna själva förlitade sig på frontier-modeller, som är ofullkomliga proxyservrar för grundsanningen.
Vad kommer härnäst
För Sakana AI utökar MASS en forskningsagenda fokuserad på att automatisera själva den vetenskapliga processen, efter labbets tidigare arbete med AI-driven experimentgenerering och agenturgranskningssystem för att kontrollera forskningspåståenden. Om receptet för kollektiv självövervakning överförs bortom syntetiska uppgifter, kommer flaskhalsen den riktar sig mot – att övervaka AI-produktion vid gränsen – bara bli mer pressande när automatiserade forskningssystem förökar sig.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
