Sakana AI perkenal MASS: satu model yang bekerja sebagai pasukan dengan salinan dirinya untuk menambah baik diri

Pengenalan

Sakana AI, makmal AI yang berpangkalan di Tokyo, menerbitkan MASS (Multi-Agent Self-Supervision) pada 12 Oktober 2026. Ia ialah kaedah penambahbaikan kendiri rekursif (RSI) di mana satu model bahasa memainkan tiga peranan serentak: melaksanakan tugas, mengoptimumkan aliran kerja dan menilai hasilnya. Kerja ini disertai kertas kajian di arXiv, blog teknikal yang terperinci dan kod sumber terbuka di GitHub.

Soalan yang cuba dijawab oleh penulis mudah untuk dinyatakan tetapi sukar untuk diselesaikan: apabila tugas bersifat terbuka (satu penyelidikan, laporan atau analisis) dan pakar manusia pun tidak dapat menilai semuanya dengan cepat, model itu sendiri mungkin penyelia terbaik yang ada. Tetapi model yang bekerja bersendirian cenderung mengukuhkan kesilapannya sendiri dan bukannya membetulkannya. Pendekatan MASS ialah menyusun beberapa salinan model yang sama sebagai satu pasukan dan menggunakan kerja kolektif pasukan itu sebagai isyarat latihan.

Bagi mereka yang membangunkan ejen AI atau automasi untuk perniagaan di Jepun, ini penting dalam dua cara: sesetengah idea boleh digunakan dalam aliran kerja anda hari ini, dan amaran keselamatannya terpakai kepada mana-mana sistem yang menilai kerjanya sendiri.

Apa itu MASS

Dalam MASS, model yang sama memegang tiga peranan:

• Ejen (pelaksana): menyelesaikan tugas dan menghasilkan ruang kerja dengan kod, hasil, graf dan laporan.
• Pengoptimum aliran kerja: menggunakan maklum balas penilai untuk menyemak semula cara pasukan membahagikan kerja, bertukar hasil dan menyemak kerja satu sama lain.
• Penilai: membandingkan dua ruang kerja, memilih yang lebih memenuhi tugas dan menerangkan sebabnya.

"Aliran kerja" di sini ialah rancangan bertulis, dilampirkan pada prompt tugas, yang menerangkan pasukan yang terdiri daripada seorang orkestrator dan beberapa subejen. Setiap aliran kerja mempunyai empat komponen: peranan (tanggungjawab setiap subejen), arahan (apa yang perlu dilakukan), kontrak (maklumat dan semakan yang mesti dikembalikan) dan urutan panggilan (susunan subejen dipanggil).

Satu contoh yang disebut oleh Sakana ialah aliran kerja kewangan di mana kontrak pakar data mewajibkan semakan jelas bahawa tiada kebocoran maklumat masa depan dan bahawa tempoh latihan, pengesahan dan ujian berada dalam susunan yang betul. Itulah jenis kesilapan yang menjadikan backtest kelihatan hebat tetapi tidak berguna.

Cara kitaran berfungsi

MASS berselang-seli antara dua gelung.

Gelung dalam: mencari aliran kerja yang lebih baik. Untuk setiap tugas latihan, sistem menyimpan seorang "juara", iaitu aliran kerja terbaik yang ditemui setakat ini menurut penilaian model itu sendiri. Dalam setiap lelaran, pasukan melaksanakan aliran kerja calon, penilai membandingkan hasilnya dengan hasil juara, dan pengoptimum mencadangkan versi seterusnya berdasarkan sejarah maklum balas. Menurut kertas kajian, ini ialah carian evolusi yang dikekang oleh pagar keselamatan struktur, dan prompt pengoptimum mengutamakan kontrak dan urutan panggilan, iaitu maklumat apa yang mengalir antara ejen dan bila.

Gelung luar: belajar daripada pasukan terbaik. Aliran kerja juara dijalankan 18 kali bagi setiap tugas. Model itu sendiri membandingkan dan menyusun kedudukan hasil (model Bradley–Terry menukar keutamaan kepada skor), dan sehingga 16 trajektori bagi setiap tugas disimpan: 15 untuk latihan dan satu untuk pengesahan. Teks aliran kerja dibuang daripada prompt orkestrator, dan model menjalani penalaan halus berselia (SFT, dengan LoRA) pada perbualan orkestrator dan subejen. Model yang dikemas kini kemudian memegang ketiga-tiga peranan semula dan kitaran bermula lagi.

Ideanya ialah supaya model belajar cara menyusun kerja daripada tugas itu sendiri, tanpa perlu diberi aliran kerja siap.

Apa yang diukur

Pasukan itu menjalankan dua kitaran penuh dengan model berpemberat terbuka Qwen3.6-27B, menggunakan ejen pengekodan qwen-code. Data latihan datang daripada 12 tugas penyelidikan sintetik dalam kewangan, robotik dan farmasi: sembilan ditetapkan untuk latihan (lapan akhirnya membekalkan data) dan tiga diketepikan untuk ujian. Untuk mengukur kemajuan dari luar gelung, GPT-5.5 dan Claude Opus 4.8 menilai hasilnya, dan penilaian itu tidak digunakan oleh MASS.

Angka utama yang dilaporkan oleh Sakana dan dalam kertas kajian:

• Skor bagi setiap token output sebanyak 1.2 hingga 1.6 kali skor model asas selepas kitaran kedua, pada empat penanda aras penyelidikan: MLR-Bench, DSBench, ScienceAgentBench dan AstaBench.
• Pada tiga tugas ujian sintetik, kadar kemenangan berbanding model asas meningkat daripada 53.9% selepas kitaran pertama kepada 69.9% selepas kitaran kedua.
• Latihan hanya menggunakan trajektori penyelesaian tugas, namun pengoptimum dan penilai juga bertambah baik. Persetujuan penilai dengan hakim luar meningkat daripada 73% kepada 93%.
• Trajektori berbilang ejen memberi lebih banyak bagi setiap token latihan: pelajar yang dilatih dengannya mencapai kadar kemenangan 68.3% berbanding model asas dengan 28.8 juta token berselia, berbanding 64.0% bagi pelajar ejen tunggal yang dilatih dengan 42 juta, kira-kira 1.4 kali lebih banyak token.
• Dalam ujian ablasi, kesesakan kelajuan ialah pengoptimum, bukan penilai: menukar penilai sahaja kepada model yang lebih kuat membantu sedikit; menukar penilai dan pengoptimum membantu dengan ketara.

Cara mencuba kod dengan selamat

Repositori github.com/SakanaAI/mass digambarkan sebagai pelaksanaan penyelidikan. Langkah yang berhemah:

1. Mulakan secara luar talian. README menyatakan bahawa python3 -m mass plan --config configs/paper.json memaparkan konfigurasi tanpa melaksanakan apa-apa, dan ujian unit berjalan tanpa GPU atau pelayan model.
2. Asingkan persekitaran. MASS meminta ejen menulis dan menjalankan kod. Gunakan VM atau bekas berasingan tanpa akses ke rangkaian dalaman syarikat dan tanpa kelayakan pengeluaran. Repositori menyediakan .env.example; jangan masukkan kunci dengan kebenaran yang luas.
3. Anggarkan perkakasan terlebih dahulu. Eksperimen sebenar memerlukan model dihidangkan dengan vLLM dan GPU diperuntukkan. SFT kitaran pertama sahaja mengambil kira-kira 19 jam pada enam GPU NVIDIA H100, tidak termasuk carian aliran kerja, pengumpulan trajektori dan penilaian.
4. Semak lesen. Pada tarikh penerbitan ini, kami tidak menemui fail lesen di akar repositori (terdapat NOTICE.md tentang perisian dan data pihak ketiga). Sebelum sebarang penggunaan komersial, sahkan terma dengan Sakana AI.
5. Baca nota pelaksanaan. README sendiri memberi amaran bahawa kod tidak merangkumi setiap ablasi dalam kertas kajian, sesetengah penyesuai penanda aras tidak dibungkus dan pemacu semasa berbeza dalam beberapa aspek daripada algoritma yang diterangkan dalam kertas kajian.

Walaupun tanpa melatih apa-apa, pengajaran tentang kontrak boleh digunakan hari ini: dalam aliran berbilang ejen anda, tulis apa yang mesti diserahkan oleh setiap langkah dan semakan apa yang mesti dibuktikan sebelum langkah seterusnya bermula.

Langkah berjaga-jaga keselamatan: titik buta yang dikongsi

Penulis sendiri memberikan amaran paling penting. Apabila model yang sama menjana, menilai dan memutuskan apa yang menjadi data latihan, titik buta yang dikongsi boleh menyebabkan hasil yang cacat dihasilkan, diterima sebagai penambahbaikan dan dimasukkan ke dalam model seterusnya. Jika manusia juga terlepas kecacatan itu, kemas kini seterusnya mungkin mengukuhkannya. Sakana menyebut ini sebagai kemungkinan "tumit Achilles" penambahbaikan kendiri rekursif dan menyeru semakan bebas, had terhadap tindakan autonomi dan syarat campur tangan yang jelas.

Bagi perniagaan, maksud praktikalnya ialah: jangan biarkan model yang sama menjadi satu-satunya hakim kerjanya sendiri dalam keputusan yang penting. Kekalkan penilai berasingan, set ujian yang tidak pernah dilihat oleh sistem dan semakan manusia pada titik kritikal.

Apa yang tidak patut dijangka

• Ini bukan peningkatan umum dalam pengaturcaraan. Pada Terminal-Bench 2.0 dan SWE-bench Verified, skor bagi setiap token masing-masing ialah 0.96 dan 0.94 kali model asas. Sakana menyatakan pemindahan "masih tidak sekata".
• Sebahagian peningkatan datang daripada menyerahkan lebih banyak. Pada MLR-Bench, kenaikan itu disertai lebih banyak kertas yang diserahkan; kertas kajian sendiri menyatakan bukti bergantung pada cara hasil diagregat dan tidak membuktikan peningkatan yang konsisten merentas semua tugas.
• Carian adalah bising. Lelaran yang kuat boleh diikuti kemerosotan mendadak, dan dua larian aliran kerja yang sama menghasilkan keputusan yang bertentangan.
• Ini bukan produk siap. Ini dua kitaran, model 27B dan tugas sintetik. Ia penyelidikan, bukan alat sedia guna.

Kesimpulan

MASS ialah langkah menarik ke arah model yang bertambah baik dengan menggunakan kerja berpasukan salinan dirinya sendiri, dan ia hadir dengan kod terbuka serta angka yang jujur, termasuk di bahagian yang tiada peningkatan. Bagi perniagaan kecil dan sederhana, nilai segera terletak kurang pada menjalankan kitaran penuh dan lebih pada ideanya: kontrak yang jelas antara ejen, penilaian yang diasingkan daripada penjanaan dan perhatian lebih kepada titik buta mana-mana sistem yang menilai dirinya sendiri.

Sumber

• 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

---

Mahu manfaatkan ini untuk perniagaan anda?

KGA IT membantu perniagaan kecil dan sederhana menyediakan pembantu AI, automasi dan laman web. Konsultasi adalah percuma dan kami membalas dalam masa 24 jam. Pelan bermula dari ¥5,000/bulan.

• Telefon: 080-9732-1062
• E-mel: kga-it@outlook.com
• Halaman hubungi: kga-it.com/ms/contact