Sakana AI与UC Berkeley提出MASS自监督方法
热点事件历史事件
Sakana AI与UC Berkeley提出MASS自监督方法
1 篇报道1 个报道来源13 天前更新
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承担解题、评判和优化工作流三种角色，无需更强的教师模型。研究基于 Qwen3.6-27B 和 Qwen Code，在 GPT-5.5 生成的金融、机器人、制药领域 12 个研究任务上测试（3 个用于测试、9 个用于训练），对基线的胜率从一轮后的 53.9% 升至两轮后的 69.9%，自评估器与外部评判的一致率从 73% 升至 93%。代码已公开。 研究称，9 个训练任务中只有 8 个产出了训练数据，因为搜索在一个训练任务上未找到优于参考的工作流。报道指出，同一模型兼任三种角色可能带来共享盲区隐患。
AI 根据报道生成 · 13 天前更新
最新进展10月13日 01:58
Sakana AI 与 UC Berkeley 提出 MASS 自改进方法，共享盲区成隐患报道时间线
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 自改进方法，共享盲区成隐患
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、评判和优化工作流三种角色，无需更强的教师模型。基于 Qwen3.6-27B 和 Qwen Code，在测试任务上对基线的胜率从一轮后的 53.9% 升至两轮后的 69.9%，自评估器与外部评判的一致率从 73% 升至 93%。