Inilabas ng Sakana AI ang MASS: iisang model na nakikipagtulungan sa mga kopya ng sarili para gumaling

Panimula

Inilabas ng Sakana AI, ang AI lab na nakabase sa Tokyo, ang MASS (Multi-Agent Self-Supervision) noong Oktubre 12, 2026. Isa itong paraan ng recursive self-improvement (RSI) kung saan iisang language model ang gumaganap ng tatlong papel nang sabay: isinasagawa nito ang gawain, ino-optimize ang workflow at sinusuri ang resulta. Kasama sa paglabas ang isang papel sa arXiv, isang detalyadong technical blog at open-source na code sa GitHub.

Simple sabihin pero mahirap lutasin ang tanong ng mga may-akda: kapag bukas ang gawain (isang pananaliksik, ulat o pagsusuri) at kahit ang mga dalubhasang tao ay hindi kayang suriin agad ang lahat, maaaring ang model mismo ang pinakamahusay na tagapangasiwang mayroon. Pero ang model na nag-iisa ay madalas na pinatitibay ang sarili nitong mga pagkakamali sa halip na itama ang mga ito. Ang taya ng MASS ay ayusin ang ilang kopya ng iisang model bilang isang team at gamitin ang sama-samang trabaho ng team na iyon bilang training signal.

Para sa mga gumagawa ng AI agents o automation para sa mga negosyo sa Japan, mahalaga ito sa dalawang paraan: may mga ideyang magagamit na sa sarili ninyong workflow ngayon, at ang mga babala sa kaligtasan ay angkop sa anumang sistemang sumusuri sa sarili nitong trabaho.

Ano ang MASS

Sa MASS, iisang model ang gumaganap ng tatlong papel:

• Agent (tagapagpatupad): nilulutas ang gawain at gumagawa ng workspace na may code, resulta, graph at ulat.
• Workflow optimizer: ginagamit ang feedback ng evaluator para baguhin kung paano hinahati ng team ang trabaho, nagpapalitan ng resulta at sinusuri ang trabaho ng isa't isa.
• Evaluator: pinaghahambing ang dalawang workspace, pinipili ang mas tumutugon sa gawain at ipinapaliwanag kung bakit.

Ang "workflow" dito ay isang nakasulat na plano, idinadagdag sa prompt ng gawain, na naglalarawan ng team na binubuo ng isang orchestrator at mga subagent. May apat na bahagi ang bawat workflow: papel (ang responsabilidad ng bawat subagent), instruksiyon (ang dapat nitong gawin), kontrata (ang impormasyon at mga pagsusuring dapat nitong ibalik) at pagkakasunod ng tawag (ang ayos kung kailan tinatawag ang mga subagent).

Isang halimbawang binanggit ng Sakana ang workflow sa pananalapi kung saan hinihingi ng kontrata ng data specialist ang tahasang pagsusuri na walang tumagas na impormasyon mula sa hinaharap at nasa tamang ayos ang mga panahon ng training, validation at test. Iyan mismo ang uri ng pagkakamaling nagpapaganda sa itsura ng backtest pero ginagawa itong walang silbi.

Paano gumagana ang loop

Nagpapalitan ang MASS sa pagitan ng dalawang loop.

Inner loop: paghahanap ng mas mahusay na workflow. Para sa bawat training task, nagtatago ang sistema ng isang "kampeon", ang pinakamahusay na workflow na nahanap hanggang ngayon ayon sa sariling paghuhusga ng model. Sa bawat iteration, isinasagawa ng team ang isang kandidatong workflow, pinaghahambing ng evaluator ang resulta sa resulta ng kampeon, at nagmumungkahi ang optimizer ng susunod na bersyon batay sa kasaysayan ng feedback. Ayon sa papel, isa itong evolutionary search na nililimitahan ng structural guardrails, at inuuna ng prompt ng optimizer ang mga kontrata at pagkakasunod ng tawag, ibig sabihin kung anong impormasyon ang dumadaloy sa pagitan ng mga agent at kailan.

Outer loop: pagkatuto mula sa pinakamahusay na team. Pinapatakbo nang 18 beses bawat gawain ang workflow ng kampeon. Ang model mismo ang naghahambing at nagraranggo ng mga resulta (isang Bradley–Terry model ang nagko-convert ng mga kagustuhan sa score), at hanggang 16 na trajectory bawat gawain ang itinatago: 15 para sa training at isa para sa validation. Tinatanggal ang teksto ng workflow sa prompt ng orchestrator, at dumadaan ang model sa supervised fine-tuning (SFT, gamit ang LoRA) sa mga usapan ng orchestrator at ng mga subagent. Pagkatapos, muling ginagampanan ng na-update na model ang tatlong papel at umuulit ang cycle.

Ang layunin ay matutunan ng model kung paano ayusin ang trabaho mula sa gawain mismo, nang hindi na kailangang bigyan ng handang workflow.

Ano ang sinukat

Nagpatakbo ang team ng dalawang buong cycle gamit ang open-weights model na Qwen3.6-27B at ang coding agent na qwen-code. Galing ang training data sa 12 synthetic research task sa pananalapi, robotics at parmasya: siyam ang itinalaga para sa training (walo ang aktuwal na nagbigay ng data) at tatlo ang itinabi para sa test. Para sukatin ang progreso mula sa labas ng loop, sinuri ng GPT-5.5 at Claude Opus 4.8 ang mga resulta, at hindi ginamit ng MASS ang mga paghuhusgang iyon.

Ang mga pangunahing numerong iniulat ng Sakana at ng papel:

• Score bawat output token na 1.2 hanggang 1.6 na beses ng base model pagkatapos ng ikalawang cycle, sa apat na research benchmark: MLR-Bench, DSBench, ScienceAgentBench at AstaBench.
• Sa tatlong synthetic test task, tumaas ang win rate laban sa base model mula 53.9% pagkatapos ng unang cycle hanggang 69.9% pagkatapos ng ikalawa.
• Mga trajectory ng paglutas ng gawain lang ang ginamit sa training, pero gumaling din ang optimizer at ang evaluator. Tumaas ang pagsang-ayon ng evaluator sa mga panlabas na hukom mula 73% hanggang 93%.
• Mas malaki ang naibibigay ng multi-agent trajectories bawat training token: ang student na sinanay sa mga ito ay umabot sa 68.3% win rate laban sa base gamit ang 28.8 milyong supervised token, kumpara sa 64.0% ng single-agent student na sinanay sa 42 milyon, mga 1.4 na beses na mas maraming token.
• Sa mga ablation test, ang optimizer ang naging bottleneck sa bilis, hindi ang evaluator: ang pagpapalit lang ng evaluator sa mas malakas na model ay kaunti ang naitulong; ang pagpapalit ng evaluator at optimizer ay malaki ang naitulong.

Paano subukan ang code nang ligtas

Inilalarawan ang repository na github.com/SakanaAI/mass bilang research implementation. Isang maingat na daan:

1. Magsimula offline. Sinasabi ng README na ang python3 -m mass plan --config configs/paper.json ay nagpapakita ng configuration nang walang isinasagawa, at tumatakbo ang unit tests nang walang GPU o model server.
2. Ihiwalay ang environment. Pinasusulat at pinapatakbo ng MASS ang code ng mga agent. Gumamit ng hiwalay na VM o container na walang access sa internal network ng kumpanya at walang production credentials. May kasamang .env.example ang repository; huwag maglagay doon ng mga key na malawak ang pahintulot.
3. Tantyahin muna ang hardware. Kailangan ng tunay na eksperimento na i-serve ang model gamit ang vLLM at maglaan ng mga GPU. Ang SFT pa lang ng unang cycle ay inabot ng mga 19 na oras sa anim na NVIDIA H100 GPU, hindi pa kasama ang workflow search, pagkolekta ng trajectory at evaluation.
4. Suriin ang lisensya. Sa petsa ng paglalathalang ito, wala kaming nakitang license file sa root ng repository (may NOTICE.md tungkol sa third-party software at data). Bago ang anumang komersyal na paggamit, kumpirmahin ang mga tuntunin sa Sakana AI.
5. Basahin ang implementation notes. Mismong ang README ang nagbababala na hindi kasama sa code ang bawat ablation sa papel, na may ilang benchmark adapter na hindi naka-package, at na may ilang pagkakaiba ang kasalukuyang driver sa algoritmong inilarawan sa papel.

Kahit walang sinasanay, magagamit na ngayon ang aral ng mga kontrata: sa inyong mga multi-agent flow, isulat kung ano ang dapat ihatid ng bawat hakbang at kung anong mga pagsusuri ang dapat nitong patunayan bago magsimula ang susunod na hakbang.

Mga paalala sa kaligtasan: magkaparehong blind spot

Ang mga may-akda mismo ang nagbibigay ng pinakamahalagang babala. Kapag iisang model ang lumilikha, sumusuri at nagpapasya kung ano ang magiging training data, ang isang magkaparehong blind spot ay maaaring magpahintulot na malikha ang isang may-depektong resulta, tanggapin bilang pagpapabuti at isama sa susunod na model. Kung hindi rin ito mapansin ng mga tao, maaaring patibayin pa ito ng mga susunod na update. Tinatawag ito ng Sakana na posibleng "Achilles' heel" ng recursive self-improvement at isinusulong ang mga independiyenteng pagsusuri, mga limitasyon sa autonomous na aksyon at malinaw na mga kondisyon para sa interbensyon.

Para sa isang negosyo, ang praktikal na kahulugan: huwag hayaang iisang model ang tanging hukom ng sarili nitong trabaho sa mga desisyong mahalaga. Panatilihin ang hiwalay na evaluator, mga test set na hindi kailanman nakikita ng sistema at pagsusuri ng tao sa mga kritikal na punto.

Ano ang hindi dapat asahan

• Hindi ito pangkalahatang pag-angat sa programming. Sa Terminal-Bench 2.0 at SWE-bench Verified, ang score bawat token ay 0.96 at 0.94 na beses ng base, ayon sa pagkakasunod. Sinasabi ng Sakana na "hindi pa rin pantay" ang transfer.
• Bahagi ng pag-angat ay mula sa mas maraming naihatid. Sa MLR-Bench, kasabay ng pagtaas ang mas maraming papel na naihatid; sinasabi mismo ng papel na nakadepende ang ebidensya sa paraan ng pag-aggregate at hindi nito napapatunayan ang pare-parehong pag-angat sa lahat ng gawain.
• Maingay ang paghahanap. Maaaring sundan ng biglang pagbagsak ang malalakas na iteration, at dalawang takbo ng parehong workflow ang nagbunga ng magkasalungat na resulta.
• Hindi ito tapos na produkto. Dalawang cycle, isang 27B na model at mga synthetic na gawain ito. Pananaliksik ito, hindi plug-and-play na tool.

Konklusyon

Ang MASS ay isang kawili-wiling hakbang patungo sa mga model na gumagaling sa pamamagitan ng pagtutulungan ng mga kopya ng kanilang sarili, at may kasama itong bukas na code at tapat na mga numero, kasama na kung saan walang naging pag-angat. Para sa maliliit at katamtamang negosyo, ang agarang halaga ay hindi gaanong nasa pagpapatakbo ng buong cycle kundi nasa mga ideya: malinaw na kontrata sa pagitan ng mga agent, pagsusuring hiwalay sa paglikha at dagdag na atensyon sa mga blind spot ng anumang sistemang sumusuri sa sarili.

Mga Sanggunian

• 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

---

Gusto mo ba ito para sa iyong negosyo?

Tinutulungan ng KGA IT ang maliliit at katamtamang negosyo na mag-set up ng mga AI assistant, automation at website. Libre ang konsultasyon at sasagot kami sa loob ng 24 oras. Ang mga plano ay nagsisimula sa ¥5,000/buwan.

• Telepono: 080-9732-1062
• Email: kga-it@outlook.com
• Pahina ng contact: kga-it.com/fil/contact