Sakana AI 的自我改进模型在求解和判断上变得更强,但无法发现自己的盲点
Sakana AI 与 UC Berkeley 提出 MASS,让单个语言模型通过多智能体自监督自我改进,两轮后对基础模型胜率近 70%,但内部评估器的共享盲点可能把错误固化进下一轮训练。
原贴
查看原文原文
中文翻译
单个语言模型通过“多智能体自监督”(MASS)自我改进,无需外部帮助或更强的教师模型。该模型充当自己的团队:它把任务分配给自身的副本,评估结果,并为下一轮训练优化工作流。两轮之后,相对于基础模型的胜率升至近 70%,但该方法存在一个真实风险:内部评估器有时会把有缺陷的步骤或被操纵的解决方案当作成功接受,并把它们固化进下一个模型。
Sakana AI 的 MASS 方法让单个语言模型通过求解任务、判断结果和优化工作流来自我改进,而无需更强的教师模型。研究发现三个角色都有提升,但共享的盲点可能让错误被当作进展,并进入下一轮训练周期。
来自 Sakana AI 和加州大学伯克利分校的研究人员提出了“多智能体自监督”(MASS),一种用于递归自我改进(RSI)的方法。单个语言模型负责执行任务、优化工作如何完成,并评估结果。
作者认为,在研究前沿,即便是专家也常常难以判断结果,因为验证可能需要昂贵的支撑证据或漫长的实验。根据论文,一项等离子体研究可能要耗费超过 1.2 亿 CPU 小时。
因此,模型本身可能是可用的最佳判断者,尽管它在审查自己的工作时可能漏掉自己的错误。用同一个模型来求解、检查和修改,可能会强化这些错误,而不是纠正它们。
受 AI 先驱马文·明斯基的著作《心智社会》启发,研究人员关注模型如何划分工作。在 MASS 中,工作流是附加到提示词上的文本,定义每个子智能体的角色和指令。“契约”规定每个子智能体必须返回什么信息以及必须执行哪些检查,而“跳”设定调用顺序。一个编排器在子智能体之间分配工作。例如,用历史价格测试交易策略时,数据专家的契约必须确保该策略只使用每个时间点可获得的信息。
在内循环中,模型权重保持冻结,团队运行候选工作流,评估器将结果与当前“冠军”比较。优化器利用该反馈提出下一个工作流,主要是修改契约和跳。在外循环中,冠军每个任务运行 18 次,模型自己对结果排序,并选择最多 15 次运行用于训练。研究人员在训练示例中从编排器的初始提示词里移除工作流文本,以便模型学会仅根据任务来组织工作。对子智能体的具体分配保留在记录的轨迹中,模型在 LoRA 微调后再次承担全部三个角色。
基础模型是 Qwen3.6-27B,使用 Qwen Code 作为运行框架。研究人员使用 GPT-5.5 生成的十二个研究任务,涵盖金融、机器人和制药,保留三个用于测试,九个用于训练。只有八个产生训练数据,因为搜索在一个训练任务上找不到任何能胜过参考的工作流。
核心信息
Sakana AI 与 UC Berkeley 提出 MASS,让单个语言模型通过多智能体自监督自我改进,两轮后对基础模型胜率近 70%,但内部评估器的共享盲点可能把错误固化进下一轮训练。
- Sakana AI 与 UC Berkeley 提出 MASS,让单个语言模型通过多智能体自监督自我改进,两轮后对基础模型胜率近 70%,但内部评估器的共享盲点可能把错误固化进下一轮训练。
- 原贴提到:A single language model improves itself through "Multi-Agent Self-Superv
- 来源:the-decoder.com
详细解读
这是什么信号
Sakana AI 与 UC Berkeley 的研究者提出 MASS,让单个语言模型同时扮演求解者、流程优化者和结果评估者,在不依赖更强教师模型的情况下递归自我改进。两轮后,对基础模型的胜率接近 70%。
这不是简单的 Agent 编排,而是把“自我监督”做成内循环与外循环:内循环冻结权重、搜索工作流,外循环让冠军工作流多次运行并筛出训练样本。
为什么重要
RSI 的瓶颈通常不在生成,而在验证。论文指出的极端案例是,一项等离子体研究可能要 1.2 亿 CPU 小时,人类和外部验证都难以规模化。因此模型自评判成为现实选项。
但同一模型既求解又评判,会共享盲点,可能把有缺陷步骤或被操纵方案当作成功,固化进下一轮模型——这比单次错误更危险,因为它会进入训练数据。
对谁有价值
AI 研究团队、Agent 系统设计者、需要自动化复杂工作流的企业,以及关注自我改进模型风险的政策与安全团队。
对业务侧,MASS 的“契约/跳/编排器”结构提供了一种把领域约束写进工作流的方式,例如金融回测中只允许使用当时可得信息。
可以怎么行动
在自监督循环中引入异构模型或外部检查做交叉验证;对“契约”和“跳”做版本化审计;保留轨迹并抽样人工复核;为冠军更替设置更高门槛,避免评估器自评自选。
先在低风险、可验证的任务上试点,再逐步扩展到金融、制药等高成本领域。把评估器的接受标准显式化,减少被操纵方案混入。
风险或限制
共享盲点会让错误被标记为进展;12 个研究任务中只有 8 个产生训练数据,说明方法并非普遍有效;任务由 GPT-5.5 生成,覆盖范围有限。
权重冻结、LoRA 微调、运行框架等工程细节影响可复现性;若缺乏外部验证,模型可能越来越擅长通过内部评估,而不是解决真实问题。
信息差价值
这条内容的真正价值,不只是“有人发布了一个新功能”,而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说,这种信息可以转化成持续追踪的栏目选题。
如果把《Sakana AI 的自我改进模型在求解和判断上变得更强,但无法发现自己的盲点》放到你的内容系统里,它最大的价值在于帮助读者更快看懂“为什么值得关注”,而不是只看到一条碎片化动态。
参考来源
TOPIC HUBS
延伸专题
AI SUMMARY
这篇文章回答了什么
Sakana AI 的自我改进模型在求解和判断上变得更强,但无法发现自己的盲点主要讲什么?
Sakana AI 与 UC Berkeley 提出 MASS,让单个语言模型通过多智能体自监督自我改进,两轮后对基础模型胜率近 70%,但内部评估器的共享盲点可能把错误固化进下一轮训练。
这篇文章最值得关注的要点是什么?
Sakana AI 与 UC Berkeley 提出 MASS,让单个语言模型通过多智能体自监督自我改进,两轮后对基础模型胜率近 70%,但内部评估器的共享盲点可能把错误固化进下一轮训练。;原贴提到:A single language model improves itself through "Multi-Agent Self-Superv;来源:the-decoder.com
这篇文章和哪些AI专题相关?
它适合放在Agent工作流、AI日报、AI工具专题里阅读。 关联原因:这篇内容命中「智能体」等主题信号。;这篇内容命中「热点解读」等主题信号。;这篇内容命中「模型」等主题信号。
阅读这篇文章建议先理解哪些关键词?
建议先理解AI日报、每日AI日报、AI信号、热点解读、BuilderPulse这些关键词,再结合正文判断工具、机会或风险是否值得进入自己的工作流。