Sakana AI与UC Berkeley提出MASS自监督方法
热点事件持续更新
Sakana AI与UC Berkeley提出MASS自监督方法
1 篇报道1 个报道来源3 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递归自我改进方法 MASS，让同一个语言模型同时承担解题、评判与优化三种角色，无需更强的教师模型，代码已公开。 在基于 Qwen3.6-27B 与 Qwen Code 的测试中，对基座模型的胜率从一轮后的 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%。 该方法存在共享盲点：模型自评估与外部评判仍可能因同源而共同出错。
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 自改进方法，模型解题与评判能力提升但存在共享盲点报道时间线
沿着报道，了解事件的不同侧面。
10月13日
- The Decoder精选Sakana AI 与 UC Berkeley 提出 MASS 自改进方法，模型解题与评判能力提升但存在共享盲点
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、评判与优化三种角色，无需更强的教师模型。基于 Qwen3.6-27B 与 Qwen Code，测试任务对基座模型的胜率从一轮后的 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%。
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。