Sakana AI与UC Berkeley提出MASS自改进方法
热点事件持续更新
Sakana AI与UC Berkeley提出MASS自改进方法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Sakana AI 与 UC Berkeley 研究人员提出多智能体自监督方法 MASS，让同一个语言模型同时扮演解题、优化工作流和评估结果三种角色，无需更强的教师模型，代码已公开。 实验以 Qwen3.6-27B 为基础模型、Qwen Code 为运行框架，使用 GPT-5.5 生成的十二个金融、机器人和制药研究任务，其中九个用于训练、三个用于测试。研究人员称，由于搜索未能找到优于参考方案的工作流，只有一个训练任务未产出训练数据，最终仅八个任务产生训练数据。 该研究同时指出，这种方法让模型自我改进，但难以发现自身盲点。
AI 根据报道生成 · 2 小时前更新
最新进展10月13日 01:58
Sakana AI 与 UC Berkeley 提出 MASS 方法，让单个模型自我改进但难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 DecoderSakana AI 与 UC Berkeley 提出 MASS 方法，让单个模型自我改进但难发现自身盲点
Sakana AI 与 UC Berkeley 提出多智能体自监督方法 MASS，让同一个语言模型同时承担解题、优化工作流和评估结果三种角色，无需更强的教师模型。
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。