Sakana AI presenta MASS: un único modelo que forma equipo con copias de sí mismo para automejorarse

Introducción

Sakana AI, el laboratorio de IA con sede en Tokio, publicó el 12 de octubre de 2026 MASS (Multi-Agent Self-Supervision), un método de automejora recursiva (RSI, por sus siglas en inglés) en el que un único modelo de lenguaje cumple tres papeles a la vez: ejecuta la tarea, optimiza el flujo de trabajo y evalúa el resultado. El trabajo llegó con un artículo en arXiv, un blog técnico detallado y código abierto en GitHub.

La pregunta que intentan responder los autores es fácil de plantear y difícil de resolver: cuando la tarea es abierta (una investigación, un informe, un análisis) y ni siquiera un experto humano puede evaluarlo todo con rapidez, el propio modelo puede ser el mejor supervisor disponible. Pero un modelo solo tiende a reforzar sus propios errores en lugar de corregirlos. La apuesta de MASS es organizar varias copias del mismo modelo como un equipo y usar el trabajo colectivo de ese equipo como señal de entrenamiento.

Para quienes desarrollan agentes de IA o automatizaciones para empresas en Japón, el interés es doble: hay ideas que se pueden aplicar ya en sus propios flujos, y hay advertencias de seguridad que valen para cualquier sistema que se evalúa a sí mismo.

Qué es MASS

En MASS, el mismo modelo cumple tres funciones:

• Agente (ejecutor): resuelve la tarea y produce un espacio de trabajo con código, resultados, gráficos y un informe.
• Optimizador de workflow: usa la retroalimentación del evaluador para revisar cómo el equipo divide el trabajo, intercambia resultados y revisa el trabajo de los demás.
• Evaluador: compara dos espacios de trabajo, elige el que cumple mejor la tarea y explica por qué.

Aquí, un "workflow" es un plan escrito en texto, añadido al prompt de la tarea, que describe un equipo con un orquestador y subagentes. Cada workflow tiene cuatro componentes: rol (la responsabilidad de cada subagente), instrucción (lo que debe hacer), contrato (la información y las verificaciones que debe devolver) y orden de llamadas (la secuencia en la que entran los subagentes).

Un ejemplo citado por Sakana es un workflow de finanzas en el que el contrato del especialista en datos exige comprobaciones explícitas de que no hay filtración de información futura y de que los periodos de entrenamiento, validación y prueba están en el orden correcto. Es el tipo de error que hace que un backtest se vea muy bien y no sirva para nada.

Cómo funciona el ciclo

MASS alterna dos bucles.

Bucle interno: búsqueda del mejor workflow. Para cada tarea de entrenamiento, el sistema mantiene un "campeón", el mejor workflow encontrado hasta el momento según el juicio del propio modelo. En cada iteración, el equipo ejecuta un workflow candidato, el evaluador compara el resultado con el del campeón y el optimizador propone la siguiente versión a partir del historial de retroalimentación. Según el artículo, es una búsqueda evolutiva con guardarraíles estructurales, y el prompt del optimizador da prioridad a los contratos y al orden de llamadas, es decir, a qué información circula entre los agentes y cuándo.

Bucle externo: aprender del mejor equipo. El workflow campeón se ejecuta 18 veces por tarea. El propio modelo compara y clasifica los resultados (un modelo Bradley–Terry convierte las preferencias en puntuaciones) y se guardan hasta 16 trayectorias por tarea: 15 para entrenamiento y una para validación. El texto del workflow se elimina del prompt del orquestador y el modelo pasa por un ajuste fino supervisado (SFT, con LoRA) sobre las conversaciones del orquestador y de los subagentes. El modelo actualizado vuelve a ocupar los tres papeles y el ciclo comienza de nuevo.

La idea es que el modelo aprenda a organizar el trabajo a partir de la propia tarea, sin necesidad de recibir el workflow hecho.

Qué se midió

El equipo ejecutó dos ciclos completos con el modelo de pesos abiertos Qwen3.6-27B, usando el agente de código qwen-code. Los datos de entrenamiento salieron de 12 tareas sintéticas de investigación en finanzas, robótica y farmacia: nueve marcadas para entrenamiento (ocho acabaron generando datos) y tres reservadas para prueba. Para medir el progreso desde fuera del bucle, GPT-5.5 y Claude Opus 4.8 evaluaron los resultados, y esas evaluaciones no se usaron dentro de MASS.

Las principales cifras publicadas por Sakana y en el artículo:

• Puntuación por token de salida de 1,2 a 1,6 veces la del modelo base tras el segundo ciclo, en cuatro benchmarks de investigación: MLR-Bench, DSBench, ScienceAgentBench y AstaBench.
• En las tres tareas sintéticas de prueba, la tasa de victorias frente al modelo base subió del 53,9% tras el primer ciclo al 69,9% tras el segundo.
• El entrenamiento se hizo solo con trayectorias de resolución de tareas, pero el optimizador y el evaluador también mejoraron. La concordancia del evaluador con los jueces externos pasó del 73% al 93%.
• Las trayectorias multiagente rinden más por token de entrenamiento: el estudiante entrenado con ellas alcanzó un 68,3% de victorias frente al base con 28,8 millones de tokens supervisados, frente al 64,0% de un estudiante de agente único entrenado con 42 millones, unas 1,4 veces más tokens.
• En las pruebas de ablación, el cuello de botella de velocidad fue el optimizador, no el evaluador: cambiar solo el evaluador por un modelo más fuerte ayudó poco; cambiar evaluador y optimizador ayudó mucho.

Cómo probar el código con seguridad

El repositorio github.com/SakanaAI/mass se describe como una implementación de investigación. Un camino prudente:

1. Empiece en modo offline. El README indica que python3 -m mass plan --config configs/paper.json muestra la configuración sin ejecutar nada y que las pruebas unitarias funcionan sin GPU ni servidor de modelo.
2. Aísle el entorno. MASS pone a agentes a escribir y ejecutar código. Use una máquina virtual o un contenedor separado, sin acceso a la red interna de la empresa y sin credenciales de producción. El repositorio incluye un .env.example; no ponga en él claves con permisos amplios.
3. Dimensione el hardware antes. Un experimento real exige servir el modelo con vLLM y asignar GPU. Solo el SFT del primer ciclo tardó unas 19 horas en seis GPU NVIDIA H100, sin contar la búsqueda de workflows, la recolección de trayectorias y la evaluación.
4. Revise la licencia. A la fecha de esta publicación no encontramos un archivo de licencia en la raíz del repositorio (hay un NOTICE.md sobre software y datos de terceros). Antes de cualquier uso comercial, confirme los términos con Sakana AI.
5. Lea las notas de implementación. El propio README advierte que el código no incluye todas las ablaciones del artículo, que algunos adaptadores de benchmark no están en el paquete y que el driver actual difiere en algunos puntos del algoritmo descrito en el paper.

Incluso sin entrenar nada, la lección de los contratos se puede aplicar hoy: en sus flujos con varios agentes, defina por escrito qué debe entregar cada etapa y qué verificaciones debe demostrar antes de que empiece la siguiente.

Precauciones de seguridad: puntos ciegos compartidos

Los propios autores hacen la advertencia más importante. Cuando el mismo modelo genera, evalúa y decide qué se convierte en dato de entrenamiento, un punto ciego compartido puede hacer que un resultado defectuoso se produzca, se acepte como mejora y se incorpore al siguiente modelo. Si los humanos tampoco detectan el fallo, las actualizaciones posteriores pueden reforzarlo. Sakana lo llama un posible "talón de Aquiles" de la automejora recursiva y defiende verificaciones independientes, límites a las acciones autónomas y condiciones claras de intervención.

Para una empresa, la traducción práctica es: no deje que el mismo modelo sea el único juez de su propio trabajo en decisiones importantes. Mantenga un evaluador separado, conjuntos de prueba que el sistema no vea y revisión humana en los puntos críticos.

Qué no esperar

• No es una mejora general en programación. En Terminal-Bench 2.0 y SWE-bench Verified, la puntuación por token quedó en 0,96 y 0,94 veces la del base, respectivamente. Sakana dice que la transferencia "sigue siendo desigual".
• Parte de la mejora viene de entregar más. En MLR-Bench, el aumento acompaña a más artículos entregados; el propio paper dice que la evidencia depende de la forma de agregación y no establece una mejora consistente en todas las tareas.
• La búsqueda es ruidosa. Iteraciones fuertes pueden ir seguidas de caídas bruscas, y dos ejecuciones del mismo workflow tuvieron resultados opuestos.
• No es un producto terminado. Son dos ciclos, un modelo de 27B y tareas sintéticas. Es investigación, no una herramienta lista para usar.

Conclusión

MASS es un paso interesante hacia modelos que mejoran usando el trabajo en equipo de copias de sí mismos, y llega con código abierto y cifras honestas, incluso donde no hubo mejora. Para pequeñas y medianas empresas, el valor inmediato está menos en ejecutar el ciclo completo y más en las ideas: contratos claros entre agentes, evaluación separada de la generación y atención redoblada a los puntos ciegos de cualquier sistema que se evalúa a sí mismo.

Fuentes

• Sakana AI: Recursive Self-Improvement through Collective Intelligence (MASS)
• Sakana AI: MASS — blog técnico detalhado
• arXiv 2610.12176: Recursive Self-Improvement through Multi-Agent Self-Supervision
• GitHub: SakanaAI/mass

---

¿Quieres llevar esto a tu negocio?

KGA IT ayuda a pequeñas y medianas empresas a implementar asistentes de IA, automatizaciones y sitios web. La consulta es gratuita y respondemos en menos de 24 horas. Planes desde ¥5.000/mes.

• Teléfono: 080-9732-1062
• Correo: kga-it@outlook.com
• Página de contacto: kga-it.com/es/contact