Sakana AI 的 MASS 研究显示模型可自我改进，但难以识别自身共同盲点

Sakana AI 与 UC Berkeley 提出 MASS，让同一语言模型承担解题、评估和工作流优化，在不依赖更强教师模型的情况下递归自我改进。以 Qwen3.6-27B 为基础，两轮训练后对基础模型的测试胜率从 53.9% 升至 69.9%，但部分基准的提升主要来自完成更多任务，逐任务比较时不再具有统计显著性。