Sakana AI 的 MASS 方法让 Qwen3.6-27B 实现自我提升但无法识别自身盲区

Sakana AI 与 UC Berkeley 联合提出的 Multi-Agent Self-Supervision (MASS) 方法，利用单一语言模型（基座为 Qwen3.6-27B）通过解决任务、评估结果和优化工作流实现递归自改进。该方法在 MLR-Bench 等基准上实现了 1.2 至 1.6 倍的单 token 产出得分提升，且无需更强的教师模型辅助。

尽管整体表现有所改善，但材料揭示了两个关键事实：一是“共享盲区”风险，即模型在三个角色中可能同时遗漏相同的错误，导致无效甚至错误的优化被作为进步固化；二是效率问题，虽然多智能体协作（Team）在外部评估中胜率更高（85.1%），但其 token 消耗量是单智能体的 2.4 倍，且部分基准测试（如 SWE-bench Verified）分数反而下降。此外，代码库已公开，允许社区复现验证。

推断显示，单纯依赖模型内部反馈进行自我迭代存在严重的对齐失效风险，必须引入独立的外部检查机制。对于工程实践而言，这意味着在追求 Agent 自动化时，需警惕单位经济性的恶化——即为了微小的性能增益而付出数倍的算力成本，且这种增益在特定复杂任务中并不稳定。