Sakana AI 重磅发布 MASS：单基座多智能体自我监督递归自进化，非可验证任务胜率飙升至 69.9%

核心背景与行业痛点

递归自我改进（Recursive Self-Improvement, RSI）长期被视为通往超人类通用智能（ASI）的核心机制。近期 DeepSeek-R1、o1 等模型通过强化学习与规则编译器（RLVR）在代码、数学等具备确定性单元测试的领域取得了显著突破。然而，现实世界中最具科研与商业价值的高阶智能任务（如科学假设生成、跨学科论文撰写、数据科学因果分析等）普遍属于‘非可验证任务（Non-Verifiable Tasks）’，面临两大难以逾越的理论障碍：

1. 监督信号枯竭与评估者瓶颈（Supervision Bottleneck）：在超人类水平的探索中，外部人类专家已无法提供实时、密集的精准评估；
2. 单体模型自监督的同质化偏见（Homogeneous Blind Spots）：让同一个单体大模型在单轮 Prompt 中既作为答题者又作为自我批评者，模型会天然偏向捍卫自己生成的论点，无法跳出自有认知盲区发现逻辑断层。

架构亮点与底层机制

针对非可验证领域的自进化难题，Sakana AI 团队提出了基于多智能体演化的自监督系统 MASS（arXiv:2610.12176，项目主页 sakana.ai/mass）：

1. 单基座三位一体角色解耦（Single Base, Multi-Agent Roles）：MASS 仅使用单个基础开源模型（如 Qwen3.6-27B），通过多样化的提示工程与角色约束，使其同时承担三大正交职责：负责执行底层任务的业务 Agent 群、负责设计与变异交互拓扑图的‘工作流优化器（Workflow Optimizer）’，以及执行无偏盲评的‘仲裁评估器（Evaluator）’；
2. 交替演化自监督循环（Alternating Evolution & SFT Loop）：MASS 的自进化不依赖外部奖励模型。第一阶段，系统在多智能体工作流空间中进行演化搜索，自动发现针对目标问题最优的智能体协作拓扑图（如讨论环路、对抗质疑链、分工树状图）；第二阶段，收集该高效工作流生成的高质量执行轨迹，对基座模型执行有监督微调（SFT）。训练后的增强基座再开启下一轮更高维度的多智能体自组织，实现闭环滚雪球式进化；
3. 多智能体思维多样性抑制过拟合：多智能体间的交互摩擦打破了单体模型的确认偏差，自发产生更具探索性的逻辑链条，为基座模型提供了高质量、泛化性强的自生成合成数据。

权威 Benchmark 与实测跑分对比

研究团队在涵盖前沿科研智能体、数据挖掘与真实复杂推理的四大综合基准（MLR-Bench、ScienceAgentBench、DSBench、AstaBench）上展开了连续两轮自进化迭代测试：

1. 对基座模型胜率从 53.9% 跃升至 69.9%：在合成测试集的人机双盲对照中，第一轮进化后的模型对原始 Qwen3.6-27B 的胜率为 53.9%；完成第二轮 MASS 自进化后，胜率断崖式暴涨至 69.9%；且第二轮模型在直接对战中击败第一轮模型的概率达 60.8%；
2. 输出 Token 能效比飙升 1.2x 至 1.6x：在各大科研探索基准上，模型在达到同等或更高推导深度时，平均每输出 Token 的有效得分比初始基准提升了 1.2 倍至 1.6 倍，显著减少了无效空话与思维震荡；
3. 多智能体数据蒸馏碾压单智能体（Token 效率高 1.4x）：对比实验证明，使用 MASS 多智能体轨迹微调的学生模型，性能超越了使用单智能体轨迹且多消耗 1.4 倍 Token 规模 训练的对照组学生模型，验证了多智能体自组织轨迹的数据致密性。

开发者实战落地与开箱指南

MASS 研究成果与多智能体自进化拓扑已在 Sakana AI 官方平台（sakana.ai/mass）发布。这项研究为企业与科研团队指明了‘后 RLVR 时代’的进阶航向：在缺乏单元测试判题器的开放式商业场景中，切勿放任大模型在单轮对话中自说自话。通过构建多智能体演化工作流，利用结构化的角色对抗与盲测仲裁榨取自我监督梯度，不仅能以极高样本效率持续提升开源小钢炮模型的综合智商，更为攻坚未见领域的科研级自主 Agent 奠定了坚实的理论与工程基石。