Sakana AI 的 MASS：让一个 27B 模型分身成团队干活，再把团队经验蒸回自己
Sakana AI 联合 UC Berkeley 提出 MASS（多智能体自监督）：同一个开源权重 27B 模型既当解题者、又当工作流优化者和评审，先迭代出多智能体协作流程，再拿成功轨迹微调自己。两轮之后，在 MLR-Bench、ScienceAgentBench、DSBench 上每个输出 token 的得分提升 1.2 到 1.6 倍。
为什么重要 任务难到人类没法可靠打分时，模型怎么继续变强，是递归自我改进绕不开的问题。MASS 的发现是多智能体轨迹比单智能体轨迹更好当训练数据，不靠更强的老师模型也能自举。