Sakana AI 与 UC Berkeley 提出自改进方法 MASS
热点事件持续更新
Sakana AI 与 UC Berkeley 提出自改进方法 MASS
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
Sakana AI 与 UC Berkeley 研究者提出递归自改进方法 MASS（Multi-Agent Self-Supervision），用同一个 Qwen3.6-27B 模型（以 Qwen Code 为运行框架）执行科研任务。报道称在测试任务上，对基础模型的胜率从一轮后的 53.9% 升至两轮后的 69.9%。 不过，逐任务比较时这些提升不再具有统计显著性，且该结论基于仅 8–9 个任务的小样本。报道还指出，该方法无法发现模型自身的盲点。
AI 根据报道生成 · 1 小时前更新
最新进展10月13日 01:58
Sakana AI 的 MASS 自我改进模型在解题与评判上提升，但无法发现自身盲点报道时间线
沿着报道，了解事件的不同侧面。
10月13日
- The Decoder精选Sakana AI 的 MASS 自我改进模型在解题与评判上提升，但无法发现自身盲点
Sakana AI 与 UC Berkeley researchers 提出 Multi-Agent Self-Supervision（MASS），让同一个 Qwen3.6-27B 模型执行科研任务。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。