引言
总部位于东京的 AI 研究公司 Sakana AI 于 2026 年 10 月 12 日发布了 MASS（Multi-Agent Self-Supervision，多智能体自监督）。这是一种递归自我改进（RSI）方法：同一个语言模型同时承担三个角色——执行任务、优化工作流程、评估结果。这项工作同时发布了 arXiv 论文、详细的技术博客以及 GitHub 上的开源代码。
作者们试图回答的问题说起来简单，解决起来却很难：当任务是开放式的（一项研究、一份报告、一次分析），连人类专家都无法快速评估全部内容时，模型本身可能就是最好的监督者。但单个模型往往会强化自己的错误，而不是纠正它们。MASS 的思路是把同一个模型的多个副本组织成一个团队，并把这个团队的集体工作当作训练信号。
对于在日本为企业开发 AI 智能体或业务自动化的人来说，这项研究有两层意义：其中一些思路现在就能用到自己的工作流程里；而其中的安全警告适用于任何自我评估的系统。
MASS 是什么
在 MASS 中，同一个模型承担三项职能：
- 智能体（执行者）： 解决任务，生成包含代码、结果、图表和报告的工作区。
- 工作流程优化者： 根据评估者的反馈，修改团队分工、交换结果以及相互检查工作的方式。
- 评估者： 比较两个工作区，选出更符合任务要求的一个，并说明理由。
这里的"工作流程"是一份附加在任务提示词后面的文字计划，描述由一个编排者（orchestrator）和若干子智能体组成的团队。每个工作流程包含四个要素：角色（每个子智能体的职责）、指令（它应该做什么）、契约（它必须返回的信息和检查项）和调用顺序（子智能体被调用的先后次序）。
Sakana 举的一个例子是金融工作流程：数据专员的契约要求明确检查没有泄露未来信息，并且训练、验证和测试的时间段顺序正确。这恰恰是那种让回测看起来很漂亮、实际上毫无用处的错误。
循环如何运作
MASS 在两个循环之间交替进行。
内循环：寻找更好的工作流程。 对每个训练任务，系统保留一个"冠军"，即根据模型自身判断迄今为止找到的最佳工作流程。每次迭代中，团队执行一个候选工作流程，评估者将结果与冠军的结果进行比较，优化者再根据反馈历史提出下一个版本。论文指出，这是一种受结构性护栏约束的进化式搜索，而优化者的提示词优先关注契约和调用顺序，也就是智能体之间传递什么信息、在什么时候传递。
外循环：向最佳团队学习。 冠军工作流程在每个任务上运行 18 次。模型自己比较并排序结果（用 Bradley–Terry 模型把偏好转换为分数），每个任务最多保留 16 条轨迹：15 条用于训练，1 条用于验证。从编排者的提示词中删除工作流程文本后，用编排者和子智能体的对话对模型进行监督微调（SFT，使用 LoRA）。更新后的模型再次承担三个角色，循环重新开始。
其目的是让模型在不被提供现成工作流程的情况下，从任务本身学会如何组织工作。
测量了什么
研究团队使用开放权重模型 Qwen3.6-27B 和编程智能体 qwen-code，完成了两个完整周期。训练数据来自金融、机器人和药学领域的 12 个合成研究任务：其中 9 个被指定用于训练（最终有 8 个产生了数据），3 个留作测试。为了从循环外部衡量进展，GPT-5.5 和 Claude Opus 4.8 对结果进行了评估，这些评估并未在 MASS 内部使用。
Sakana 和论文公布的主要数据如下：
- 第二个周期之后，在四个研究类基准（MLR-Bench、DSBench、ScienceAgentBench 和 AstaBench）上，每个输出 token 的得分达到基础模型的 1.2 至 1.6 倍。
- 在三个合成测试任务上，相对基础模型的胜率从第一个周期后的 53.9% 提高到第二个周期后的 69.9%。
- 训练只使用了解决任务的轨迹，但优化者和评估者也得到了提升。评估者与外部评审的一致率从 73% 提高到 93%。
- 多智能体轨迹的每个训练 token 收益更高： 用它训练的学生模型以 2,880 万个监督 token 对基础模型取得了 68.3% 的胜率；而单智能体学生模型使用了 4,200 万个 token（约多 1.4 倍），胜率为 64.0%。
- 在消融实验中，限制改进速度的瓶颈是优化者而不是评估者：只把评估者换成更强的模型帮助不大；同时更换评估者和优化者则帮助很大。
如何安全地试用代码
github.com/SakanaAI/mass 仓库被描述为研究性实现。比较稳妥的做法是：
- 先从离线模式开始。 根据 README，
python3 -m mass plan --config configs/paper.json只显示配置而不执行任何操作，单元测试无需 GPU 或模型服务器即可运行。 - 隔离运行环境。 MASS 会让智能体编写并执行代码。请使用独立的虚拟机或容器，不接入公司内网，也不放置生产环境凭据。仓库附带
.env.example，不要在其中放入权限范围很广的密钥。 - 先评估硬件需求。 真正的实验需要用 vLLM 部署模型并分配 GPU。仅第一个周期的 SFT 就在 6 块 NVIDIA H100 GPU 上花了约 19 小时，这还不包括工作流程搜索、轨迹收集和评估。
- 确认许可证。 截至本文发布时，我们未在仓库根目录找到许可证文件（有一份关于第三方软件和数据的 NOTICE.md）。在任何商业使用之前，请向 Sakana AI 确认条款。
- 阅读实现说明。 README 本身提醒：代码并未包含论文中的全部消融实验，部分基准适配器未随包提供，而且当前的驱动程序在某些方面与论文描述的算法不同。
即使不训练任何模型，契约的经验今天就能用上：在多智能体流程中，用文字写明每一步必须交付什么，以及在下一步开始之前必须证明哪些检查已经通过。
安全注意事项：共享的盲点
最重要的警告来自作者本人。当同一个模型负责生成、评估并决定哪些内容成为训练数据时，共享的盲点可能导致一个有缺陷的结果被生成、被当作改进接受，并被纳入下一个模型。如果人类也没有发现这个缺陷，后续的更新可能会进一步强化它。Sakana 称之为递归自我改进可能的"阿喀琉斯之踵"，并主张建立独立检查、限制自主行为以及明确的干预条件。
对企业而言，实际含义是：在重要决策中，不要让同一个模型成为自身工作的唯一评判者。保留独立的评估者、系统看不到的测试集，并在关键环节进行人工审核。
不要期待什么
- 这不是编程能力的全面提升。 在 Terminal-Bench 2.0 和 SWE-bench Verified 上，每 token 得分分别为基础模型的 0.96 倍和 0.94 倍。Sakana 也表示迁移效果"仍然不均衡"。
- 部分提升来自交付得更多。 在 MLR-Bench 上，得分提高伴随着提交论文数量的增加；论文本身也指出，证据取决于汇总方式，并不能证明在所有任务上都有一致的提升。
- 搜索过程波动很大。 表现很好的迭代之后可能出现急剧下滑，同一个工作流程运行两次也出现过截然相反的结果。
- 这不是成品。 这是两个周期、一个 27B 模型和合成任务上的结果。它是研究，而不是即插即用的工具。
结论
MASS 是朝着"利用自身副本的团队协作来改进模型"迈出的有趣一步，并且公开了代码和诚实的数据，包括没有取得提升的部分。对中小企业来说，眼下的价值与其说在于运行完整的周期，不如说在于其中的思路：智能体之间清晰的契约、与生成分离的评估，以及对任何自我评估系统的盲点保持格外警惕。
来源
- 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
想把这些带到您的业务中吗？
KGA IT 帮助中小企业部署 AI 助手、业务自动化和网站。咨询免费，我们会在 24 小时内回复。方案每月 ¥5,000 起。
- 电话: 080-9732-1062
- 邮箱: kga-it@outlook.com
- 联系页面: kga-it.com/zh/contact