热点事件历史事件
Sakana AI 与 UC Berkeley 提出 MASS 自我改进方法
1 篇报道1 个报道来源3 天前更新
先了解这件事
AI 综述
2026年10月13日，The Decoder 报道，Sakana AI 与 UC Berkeley 提出“多智能体自监督”（MASS）方法，让单个语言模型同时承担解题、评判与优化工作，以实现递归自我改进。研究基于 Qwen3.6-27B，两轮训练后对基座模型的胜率从 53.9% 升至 69.9%，自评器与外部评判的一致率从 73% 提高到 93%。但研究同时指出，同一模型共用盲区会使错误被当作进步并进入下一轮训练，且部分基准提升有限或出现下降。
AI 根据报道生成 · 3 天前更新
最新进展10月13日 01:58
MASS 方法提升了解题与评判能力，但模型仍无法发现自身盲区。报道时间线
沿着报道，了解事件的不同侧面。
10月13日
- The DecoderSakana AI 的自我改进模型：解题与评判能力提升，但仍无法发现自身盲区
Sakana AI 与 UC Berkeley 提出“多智能体自监督”（MASS）方法，让单个语言模型同时承担解题、评判与优化工作以实现递归自我改进。该方法基于 Qwen3.6-27B，两轮训练后对基座模型的胜率从 53.9% 升至 69.9%，自评器与外部评判的一致率也从 73% 提高到 93%。但研究指出，同一模型共用盲区会让错误被当成进步并进入下一轮训练，且部分基准提升幅度有限或出现下降。
本事件热度走势
当前热度 3·可比范围峰值 10（10月13日 03:00）·近 24 小时可比范围变化 -49%
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。