递归自我改进的老问题：谁来给「更好」打分
让模型自己改自己，卡住的位置一直不在「怎么改」，而在「怎么知道改对了」。开放型研究任务里，人类专家既贵又慢，逐条判断输出质量不现实；可要是让模型当自己的评委，它的盲区就会跟着评分信号一起被吸收——错了当成进步，训练完还放大。Sakana AI 与 UC Berkeley 在 arXiv 2610.12176（10 月 8 日提交，10 月 12 日随官方博客一同公布）里提出的 MASS（Multi-Agent Self-Supervision），换了个进攻方向：不改评分器，改「结构」。
思路一句话能说完：不让一个智能体写完作业自己打分，而是让同一个模型分身成一支虚拟子智能体团队去解题，团队之间可以互相交叉检查、分工、验证中间步骤；再用这套编排去搜更优的工作流，最后用模型自己的比较判断选出最好的那些，把获胜轨迹蒸馏回权重。论文的原话是「一个共享模型通过子智能体团队解题、搜索更优多智能体工作流、再用自身判断择优，并在最优团队的执行记录上训练」。
三顶帽子与一个循环
拆开看，循环里有三个角色：执行者（跑任务）、工作流优化器（搜编排）、评委（做比较）。三者共用同一套权重——基座是通义千问的 Qwen3.6-27B（FP8 版），跑在 qwen-code 0.20.0 这个智能体运行时里。搜索阶段权重冻结，找到更优工作流后，再用 LoRA 在最优团队的对话轨迹上微调，且喂进去时把工作流文本剥掉，只留任务解题内容。
这里有个反直觉的发现，论文称之为「角色泛化」：只在任务解题数据上训练，优化器和评委的能力也跟着涨了——并没有单独给这两个角色上课。另一个结论更工程化：拖慢改进速度的瓶颈往往在优化器容量，而不是评委容量。翻译成选型语言就是，想把这类循环跑快，先加码负责「改编排」的那部分，比加码「评分」更值。
规模感也值得记一下：两轮循环、119 条轨迹、1720 万监督 token，每轮约 19 小时 SFT（六张 H100，不含搜索与评测）。这不是一个需要超大集群的实验，中型团队复刻的门槛在数据管道而不是算力。
成绩单：研究题涨，编码题跌
四个研究型基准上，「每输出 token 得分」达到基线的 1.20 到 1.60 倍（MLR-Bench 1.60、DSBench 1.35、AstaBench 1.28、ScienceAgentBench 1.20）；但换成编码型任务就翻车——SWE-bench Verified 0.94 倍、Terminal-Bench 2.0 0.96 倍，论文自己承认「迁移并不均衡」。请外部评委 GPT-5.5 与 Claude Opus 4.8 打分，对基座的胜率从首轮 53.9% 升到第二轮 69.9%；模型自评与外部评委的一致率则从 73% 抬到 93%。
另一个对做训练的人有直接价值的数字：多智能体学生比单智能体学生高 4.3 个百分点，监督 token 还少用约三成（2880 万对 4200 万）；但收集这些轨迹多花了 2.39 倍的生成 token。省的是训练成本，费的是采样成本——这笔账在不同任务上划不划得来，得自己算。
它自己点名的风险，比倍数更值得读
这篇论文最值得圈的不是 1.6 倍，是它把同源循环的软肋写在了明处：当模型同时是自己的评委，共享盲区可能让一个错误结果被当成改进，被接受、被吸收、被下一轮放大——论文称其为「递归自我改进的阿喀琉斯之踵」，并把思维链可监控性与智能爆炸列为开放的控制问题。配套的保留意见还有：代码虽在 GitHub（SakanaAI/mass），但 MASS 专属代码没有指派开源许可证，权重也不随包发布，基准适配器只做了一部分；论文也没保证后面的循环还能继续涨。
放进站内脉络看位置更清楚。1604 写的 MIT×Sakana SIFT 走的是「外部化评委」路线，用语言模型评委在完整基准开跑前先排座次，压的是评测成本；1035 的 Dream-RSI 干脆不更新权重，只用回放模拟器攒经验。MASS 的增量在于把这两条线拧起来：多智能体轨迹被证明比单智能体轨迹更适合当自改进的训练数据，且角色泛化说明「解题」本身就在养「优化」和「评估」。对正在琢磨「用自家智能体的轨迹微调自家模型」的团队，它的教训也很直白：研究型任务上这套循环已经跑出正收益，编码型任务上目前还是零——先小规模试，别一把梭。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。