Các nhà nghiên cứu tại Sakana AI và UC Berkeley đã công bố một phương pháp mà họ cho rằng cho phép mô hình ngôn ngữ tự cải thiện bằng cách tổ chức, đánh giá và học hỏi từ các nhóm đa tác nhân của chính nó – một cách tiếp cận mở rộng khả năng tự cải thiện đệ quy vào các nhiệm vụ nghiên cứu mà không có khóa trả lời tự động nào tồn tại.

Bài viết "MASS: Tự cải thiện đệ quy thông qua tự giám sát đa tác nhân" xuất hiện vào tháng 10 năm 2026 trên arXiv (2610.12176) cùng với trang dự án tương tác từ phòng thí nghiệm có trụ sở tại Tokyo. Danh sách tác giả của nó bao gồm cả hai tổ chức: Hyunin Lee của UC Berkeley, người đã hoàn thành công việc trong thời gian thực tập tại Sakana AI; nhà nghiên cứu Sakana Jinglue Xu, Jeffrey Seely và Yujin Tang; và Donghyun Lee, Somayeh Sojoudi và Matei Zaharia của UC Berkeley. For more context on this story, see our ongoing latest AI developments.

Công việc đã thu hút sự chú ý ngay lập tức trong cộng đồng nhà phát triển vào cuối tuần qua, nơi một cuộc thảo luận của Hacker News về dự án đã vượt qua 100 điểm trong vòng vài giờ.

Khi Người mẫu là Người giám sát duy nhất

Tiến bộ gần đây nhất trong việc tự cải thiện AI đều dựa vào những phần thưởng có thể kiểm chứng được: các câu trả lời toán học có thể được kiểm tra, mã có thể vượt qua bài kiểm tra hoặc không. Nhóm Berkeley-Sakana bắt đầu từ một tiền đề khác. Họ cho rằng ở giới hạn nghiên cứu, thường không có sự thật căn bản trong tay. Việc đánh giá một khám phá được đề xuất có thể đòi hỏi chuyên môn khan hiếm, thiết bị đắt tiền hoặc các thí nghiệm mất nhiều thời gian hơn so với việc tự đưa ra đề xuất.

Kết quả là một khoảng cách ngày càng lớn: khả năng tạo ra tác phẩm mới đang tiến bộ nhanh hơn khả năng giám sát nó. Các tác giả viết rằng khi không có giáo viên mạnh hơn, mô hình đang được cải tiến - cái mà họ gọi là "người tối ưu hóa" - có thể là người giám sát có năng lực nhất còn lại. Điều đó thúc đẩy cái mà họ gọi là tự cải thiện đệ quy đồng nhất, trong đó cùng một mô hình đóng vai trò là trình tối ưu hóa và đánh giá riêng của nó.

Câu hỏi mở là làm thế nào một hệ thống có thể tạo ra tín hiệu huấn luyện hữu ích cho chính nó trong vòng lặp đó. Câu trả lời của họ vay mượn từ lịch sử loài người.

MASS hoạt động như thế nào

MASS, viết tắt của Multi-Agent Self-Supervision, biến một mô hình dùng chung thành một hệ thống ba vai trò. Các trọng số tương tự đóng vai trò là tác nhân giải quyết nhiệm vụ tạo ra không gian làm việc chứa mã, kết quả và báo cáo nghiên cứu; trình tối ưu hóa quy trình làm việc sửa đổi cách một nhóm các tác nhân phụ phân chia công việc; và người đánh giá so sánh hai không gian làm việc và đánh giá xem nơi nào đáp ứng nhiệm vụ tốt hơn.

Vòng lặp bên trong tìm kiếm theo quy trình làm việc của nhóm - các kế hoạch bằng văn bản bao gồm vai trò của từng đại lý phụ, hướng dẫn của nó, "hợp đồng" chỉ định những bằng chứng nào các đại lý phải giao cho nhau và chuỗi các cuộc gọi hoặc bước nhảy giữa chúng. Quy trình làm việc của tướng được giữ lại qua nhiều lần lặp lại và phải được loại bỏ để được thay thế. Một quy trình tài chính đã phát triển, được cô đọng trong bài báo, trình tự chuẩn bị dữ liệu, xây dựng tính năng, lập mô hình và kiểm tra ngược trước khi kiểm toán và hợp đồng dữ liệu của nó buộc chuyên gia dữ liệu phải kiểm tra xem việc kiểm tra ngược có thể làm rò rỉ thông tin trong tương lai vào các quyết định lịch sử hay không.

Vòng lặp bên ngoài sau đó chuyển đổi kinh nghiệm tập thể của nhóm thành dữ liệu đào tạo. Hệ thống chạy quy trình làm việc dành cho tướng 18 lần, tự xếp hạng các không gian làm việc thu được, giữ lại 16 lần thực thi tốt nhất và tinh chỉnh mô hình dùng chung trên chúng — với lời nhắc về quy trình làm việc sẽ bị loại bỏ sau đó, do đó, các kỹ năng phối hợp sẽ được coi trọng hơn là hướng dẫn. Sau đó, mô hình được cập nhật sẽ tiếp tục cả ba vai trò và quy trình lặp lại.

Lợi ích có thể đo lường được từ các nhiệm vụ không thể kiểm chứng

Nhóm đã chạy hai vòng MASS hoàn chỉnh bắt đầu từ Qwen3.6-27B trong môi trường tác nhân mã hóa qwen-code. Cơ sở đào tạo là một bộ gồm 12 nhiệm vụ nghiên cứu tổng hợp bao gồm tài chính, robot và dược phẩm, mỗi nhiệm vụ đều yêu cầu mã, kết quả định lượng và báo cáo bằng văn bản. Chín nhiệm vụ được chỉ định để đào tạo và ba nhiệm vụ được thực hiện sau đào tạo; mô tả nhiệm vụ đã được GPT-5.5 tạo trước khi thử nghiệm.

Trong ba nhiệm vụ thử nghiệm được tổ chức, tỷ lệ thắng được đánh giá bên ngoài của mô hình so với phiên bản cơ bản đã tăng từ 53,9% sau một vòng lên 69,9% sau hai vòng. Mô hình vòng hai cũng đánh bại mô hình vòng một với tỷ lệ so sánh là 60,8%. Để tránh việc chấm điểm bằng cùng một thước đo được sử dụng trong quá trình đào tạo, các nhà nghiên cứu đã sử dụng GPT-5.5 và Claude Opus 4.8 để đánh giá công việc đã hoàn thành, trong khi chính MASS không đưa ra những đánh giá đó.

Hiệu quả được cải thiện cùng với chất lượng. Sau hai vòng, điểm trên mỗi mã thông báo đầu ra đạt từ 1,2 đến 1,6 lần mức của mô hình cơ sở trên bốn điểm chuẩn công khai: MLR-Bench, DSBench, ScienceAgentBench và AstaBench.

Câu hỏi về an toàn, không chỉ là bản demo khả năng

Các tác giả nói rõ rằng thiết lập này đóng vai trò như một cuộc thăm dò an toàn. Nếu các hệ thống nghiên cứu tự động có thể kết hợp khả năng của chính chúng, thì cần phải hiểu sớm các điều kiện tạo ra sự cải thiện nhanh chóng - bài báo lưu ý rằng khả năng bùng nổ trí thông minh "cung cấp thêm lý do để nghiên cứu sớm những điều kiện này", đặt ra câu hỏi trọng tâm là làm thế nào để duy trì sự giám sát có ý nghĩa khi không có người giám sát mạnh hơn.

Việc xuất bản diễn ra trong bối cảnh tranh luận ngày càng gay gắt về rủi ro chính xác đó. Vào cuối tháng 9, Geoffrey Hinton, Yoshua Bengio và các nhà khoa học hàng đầu khác đã đưa ra cảnh báo công khai về khả năng xảy ra một vụ nổ trí thông minh đột ngột và việc nghiên cứu các hệ thống tác nhân thực hiện công việc khoa học đã được tăng tốc trên toàn lĩnh vực.

Những hạn chế cần lưu ý

Các kết quả đi kèm với những cảnh báo mà các tác giả thừa nhận. Bộ tổng hợp nhỏ và tất cả tín hiệu huấn luyện đều tự tạo, nghĩa là thiết kế không xác định được tính chính xác của các phán đoán của mô hình - các phán đoán bên ngoài chỉ được sử dụng để đo lường chứ không phải để huấn luyện. Một nhiệm vụ đào tạo đã bị loại trừ sau khi tìm kiếm quy trình công việc không tìm thấy bất kỳ quy trình công việc nào vượt qua tham chiếu của nó, lời nhắc nhở rằng vòng lặp không phải lúc nào cũng tạo ra lợi ích. Và bản thân các đánh giá bên ngoài cũng dựa vào các mô hình biên giới, vốn là những đại diện không hoàn hảo cho sự thật cơ bản.

Điều gì xảy ra tiếp theo

Đối với Sakana AI, MASS mở rộng chương trình nghiên cứu tập trung vào tự động hóa quy trình khoa học, tiếp nối công việc trước đó của phòng thí nghiệm về hệ thống tạo thử nghiệm và đánh giá tác nhân do AI điều khiển để kiểm tra các tuyên bố nghiên cứu. Nếu công thức tự giám sát tập thể vượt ra ngoài các nhiệm vụ tổng hợp, thì nút thắt mà nó hướng tới – giám sát đầu ra AI ở tuyến đầu – sẽ chỉ trở nên cấp bách hơn khi các hệ thống nghiên cứu tự động nhân lên.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →