elvis(@omarsar0)
Recommended paper from Sakana AI on recursive self-improvement. They propose an interesting way to ...
8.5内容质量
TL;DR · AI 摘要
Sakana AI提出MASS方法，通过多智能体自监督实现递归自我改进，提升模型性能1.6倍。
核心要点
- MASS方法无需外部验证器，通过进化搜索优化多智能体工作流程
- 两次递归循环使Qwen3.6-27B在4个基准测试中性能提升1.6倍
- 基于多智能体追踪训练的学生模型优于单智能体模型1.4倍
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- 递归自我改进（MASS方法）
- 核心机制
- 多智能体自监督
- 进化搜索优化
- 实验成果
- 1.6倍性能提升
- 1.4倍训练效率优势
金句 / Highlights
值得收藏与分享的关键句。
MASS方法通过进化搜索保留最佳工作流程，使模型自我优化成为可能
两次递归循环使Qwen3.6-27B在4个基准测试中性能提升1.6倍
基于多智能体追踪训练的学生模型仅需单智能体1/1.4的训练数据量即可超越
#递归自我改进#多智能体自监督#模型优化#Sakana AI
打开原文elvis on X: "Sakana AI关于递归自我改进的推荐论文。他们提出了一种通过多智能体自我监督扩展递归自我改进的有趣方法。在这一研究方向中，自我改进循环通常需要外部验证器，因此没有检查器的开放性任务被排除在外。MASS消除了这一要求。一个基础模型提出多智能体工作流程，运行并评估它们，进化搜索保留得分最高的工作流程。然后模型根据自己的运行轨迹进行微调，改进后的模型作为更优的优化器和评估器开启下一轮循环。在Qwen3.6-27B上进行两次循环，四个开放性基准测试中每输出标记的性能从1.2倍提升至1.6倍。基于多智能体轨迹训练的学生模型也优于使用1.4倍更多标记训练的单智能体学生模型。论文：
arxiv.org/abs/2610.12176
与论文对话：
academy.dair.ai/papers/recursi…
2:55 PM · Oct 10, 2026
·
10.6K
浏览量
38
26
190
201