一句话看懂：Sakana AI发布MASS框架，让同一个大模型同时担任执行者、优化器和评估者，通过多智能体团队工作流的反复优化与知识蒸馏，实现递归自我改进，并在研究类基准上提升了每输出token的得分。
事件核心：发生了什么
2026年10月11日，Sakana AI在Hacker News上公开了一篇研究文章（论文摘要性质），提出Multi-Agent Self-Supervision（MASS）框架。其核心思路是：在非可验证的前沿研究任务中，自动规则信号不可用，只有自评估信号能引导学习。MASS让同一个语言模型同时扮演三个角色——任务求解者（optimizee）、工作流优化器和评估器。优化器根据评估器反馈搜索最佳多智能体团队工作流，再把团队执行结果蒸馏回共享模型，更新后的模型继续扮演三个角色，形成递归循环。内循环固定模型权重优化团队工作流，外循环再用优化后的工作流执行结果更新权重。文章用GPT-5.5和Claude Opus 4.8对完成工作进行独立评估，评估结果不反馈给MASS，作为外部衡量标准。
为什么重要
当前前沿大模型的提升高度依赖人类标注和可验证奖励信号，但越往知识前沿走，专家评估越稀缺、实验成本越高。MASS探索的是“同质递归自我改进”路线：让模型自己做自己的优化器和评估器，把多智能体协作中涌现的集体智能变成自监督信号。如果这条路走通，训练和推理的边界会进一步模糊，模型迭代可能不再完全受限于人类反馈的供给速度。对AI行业来说，这代表一种从“人类监督”向“集体自监督”迁移的技术叙事，也呼应了Sakana AI一贯关注的进化与集体智能方向。
对用户/开发者/创作者的影响
目前公开信息显示，MASS仍处于研究阶段，没有对应的API或产品上线。对开发者和研究者而言，值得关注的是它对多智能体工作流的处理方式：工作流被写成可检查、可修改的计划，包含编排器、子代理、数据契约等组件，例如金融工作流会要求数据专员检查时间切分是否泄露未来信息。这种“契约化”思路可能影响未来Agent框架的设计。对普通用户和创作者来说，短期内没有直接可用的功能变化，但若自监督蒸馏方法成熟，未来大模型在开放研究、分析和内容生成任务上的自主提升能力可能增强。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，MASS是否会在更多可验证任务上做对比实验，以及外部评估的稳定性如何。第二，Sakana AI是否会将这套方法产品化或开源，开发者生态是否跟进。第三，同质递归自我改进的安全边界如何界定——当模型同时是优化器和评估器时，如何防止自我评估信号漂移。目前信息来自论文摘要，具体实验细节和同行评审状态尚不明确。
