Sakana AI 与 UC Berkeley 提出 MASS 自我改进方法，性能提升伴随共享盲点风险

Sakana AI 与 UC Berkeley 提出 Multi-Agent Self-Supervision（MASS），让同一语言模型分别执行任务、优化工作流并评估结果，无需更强的教师模型。测试中，模型对基础模型的胜率从一轮后的 53.9% 升至两轮后的 69.9%，但完成更多工作是部分基准提升的主要来源，且若三个角色都漏掉同一错误，错误可能进入下一轮训练。研究代码已公开。