Sakana AI提出MASS方法：单模型自我改进可提升解题与评估能力，但无法察觉自身盲点

Sakana AI与UC Berkeley研究者提出MASS（多智能体自监督）方法，让单一语言模型通过解题、评估结果和优化工作流实现递归自改进。在12项研究任务上测试，两轮迭代后模型战胜基础模型的概率从53.9%升至69.9%，在MLR-Bench、DSBench等基准上单token产出效率达到基础模型的1.2至1.6倍；自我评估者与外部评测者的一致性从73%提升至93%。