Sakana AI于2026年10月12日介绍了“多智能体自监督”（MASS）方法，尝试让一个共享模型通过虚拟子智能体组成团队，先解决任务、搜索更有效的多智能体协作流程，再根据自身判断选出较优轨迹，并把团队经验蒸馏回共享模型。Sakana AI官方介绍
据官方摘要，研究使用27B开放权重模型，在合成的开放式科研任务上运行了两轮递归改进；第二轮后，模型在四项研究基准上的单位输出令牌得分达到基础模型的1.2至1.6倍。该结果属于研究团队披露的实验结果，页面摘要未提供完整实验配置、统计显著性或真实科研任务中的验证，因此不宜直接理解为通用能力已经按同等幅度提升。
MASS的重点不只是增加多个智能体，而是把“协作轨迹”作为训练数据，并让优化器、执行者和评估者在同一模型体系内循环。官方总结称，多智能体轨迹可能比单智能体轨迹更高效；但优化器能力也可能成为改进速度的瓶颈。其主要风险是同质化递归自监督：模型既负责改进又负责评价，可能把共同错误误判为进步，并在后续训练中不断强化。总体看，这项工作把智能体编排从一次性任务执行推进到“生成协作—筛选流程—反哺模型”的闭环，但其可靠性仍取决于外部评估、人工干预和对失败案例的持续审查。
资料日期说明：官方页面正文标注发布日期为2026年10月12日；页面返回的机器时间为UTC 2026年10月11日15时，可能是时区显示差异。实验数据与风险判断主要来自研究团队自述，尚未独立复核。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
