UC Berkeley与Sakana AI提出MASS多Agent自监督框架

2026年10月，加州大学伯克利分校与Sakana AI联合团队发布了名为“多Agent自监督”（MASS）的新框架。该研究旨在解决递归自我改进（RSI）过程中常见的评估偏差与轨迹质量低下问题。MASS的核心机制在于让同一模型在不同阶段交替扮演任务求解者、工作流优化者和评估者三种角色，通过这种内部的多Agent协作与自监督学习，提升模型自我改进的效率与准确性。目前报道主要聚焦于该框架的理论提出及其在缓解RSI瓶颈方面的初步应用逻辑，尚未披露具体的实验数据或大规模落地案例。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。