Sakana AI 这篇 MASS 论文最扎眼的地方，表面看是多智能体框架，实际把一个更麻烦的问题摆到了台面上：当任务没有标准答案，AI 想继续自我改进，谁来给它打分？
论文 10 月 8 日提交到 arXiv，Sakana 随后发布了完整介绍和代码仓库。Hacker News 首页也在讨论这件事，说明它已经越过冷门 repo 式更新的范围。我的判断是，MASS 之所以有价值，是因为它把 AI 研发里一个很现实的卡点讲清楚了：监督信号正在变贵。
难点不在“多几个代理”，在评估
MASS 的设定很直接。一个共享语言模型同时扮演三种角色：做任务的 agent，改进工作流的 optimizer，评价结果的 evaluator。它会尝试不同的团队分工，让多个代理交换信息、检查彼此的工作，再把自评更好的轨迹拿来训练下一轮模型。
这听起来像“让模型自己教自己”，但真正的风险也在这里。论文讨论的是 open-ended research 这类非可验证任务，很多结果没有单元测试，也没有明确标准答案。写代码可以跑测试，数学题可以核对答案，研究报告、数据分析、实验设计就没那么简单。评估者一旦也来自同一个模型家族，闭环可能进步，也可能把自己的偏见训练得更稳。
Sakana 的做法并没有回避这个问题。它在介绍里说，MASS 还额外用 GPT-5.5 和 Claude Opus 4.8 来评估完成的工作，这些外部判断不提供给训练循环。这个设计很关键，因为它承认了一件事：自监督可以降低人类标注成本，但不能自动解决“裁判是否可靠”。
它更像研发流程，不像产品功能
现在很多 AI agent 新闻喜欢讲“一个人变成一个团队”。MASS 反过来提醒我们，团队不是价值本身，分工、路由和复盘才是。论文摘要里提到，在两个 MASS cycle 后，Qwen3.6-27B 在四个开放式公开基准上取得了按输出 token 计算 1.2 到 1.6 倍的性能提升。这个数字可以看，但不能被当成万能结论。
原因很简单：它依赖任务类型、评价模型、搜索约束和训练成本。这套方法处理的是“怎么把模型团队的经验蒸馏回同一个模型”，距离普通用户今天就能少雇几个人还很远。对公司来说，它更像研发管线里的一个实验方向：把 agent 的试错、复盘、训练串起来，而非只把 agent 包装成聊天窗口里的按钮。
真正的边界在闭环速度
我更关心 MASS 指向的下一轮竞争。模型能力越强，人类越难逐条检查它的中间产物；任务越开放，监督越容易变成瓶颈。谁能把“生成、评价、改流程、再训练”做成稳定闭环，谁就可能在复杂任务上更快迭代。
但这也带来一个不舒服的判断：AI 自我改进如果真的进入工程管线，安全边界不能只放在最终输出上。工作流搜索、评价标准、失败样本选择，都会变成风险入口。看不见的环节越多，越需要记录、回放和外部审计。
所以我不会把 MASS 看成“AI 已经会自己变聪明”的证据。更准确的说法是，AI 公司开始认真处理一个旧问题：当人类评估跟不上模型产出的速度，监督本身也要被工程化。这个方向有用，也危险。判断一套自我改进系统能不能用，先看它有没有独立裁判，少看它给自己打了多少高分。
消息来源
- Sakana AI：MASS: Recursive Self-Improvement through Multi-Agent Self-Supervision，https://pub.sakana.ai/mass/
- arXiv：Recursive Self-Improvement through Multi-Agent Self-Supervision，https://arxiv.org/abs/2610.12176
- GitHub：SakanaAI/mass，https://github.com/SakanaAI/mass
- Hacker News：首页讨论条目，https://news.ycombinator.com/item?id=50048522
