Sakana AI与伯克利提出MASS自我改进方法
热点事件持续更新
Sakana AI与伯克利提出MASS自我改进方法
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Sakana AI 与加州大学伯克利分校研究人员提出并评估了 MASS 自我改进方法：同一语言模型分别承担执行任务、优化工作流和评估结果的角色，不依赖更强的教师模型。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%，但部分基准的提升主要来自完成了更多工作。若三个角色都未发现同一错误，该错误可能进入下一轮训练；研究代码已公开。
AI 根据报道生成 · 2 小时前更新
最新进展10月13日 01:58
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报道时间线
沿着报道，了解事件的不同侧面。
10月13日
- The DecoderSakana 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。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1010月13日 03:00
- 近 24 小时变化
- –
02.557.510
03:0004:0005:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。