Sakana AI 提出名为 MASS（Multi-Agent Self-Supervision，多 Agent 自监督）的方法。该研究尝试让大语言模型从多 Agent 团队的协作经历中提取自监督信号，实现递归自我改进（Recursive Self-Improvement，RSI）。当 AI 进入人类专家也难以评估复杂结果的前沿科研领域时，缺乏有效监督信号成为关键挑战。MASS 让单一模型同时分饰多角并互相监督进化，为模型摆脱对更强外部监督的依赖提供了新思路。
据发布方介绍，MASS 让同一个语言模型同时担任任务执行 Agent、工作流优化者（optimizer）与评审（evaluator）三个角色。整个系统通过内循环与外循环相互配合实现自我改进：
内循环在模型权重保持不变的情况下搜索更好的团队工作流。工作流由编排者与子 Agent 的角色、指令、契约和调用顺序组成，优化者根据评审者的反馈调整流程，并由模型自己评判优劣。
外循环则负责将团队协作经验固化至模型参数中。系统对自评最优的工作流使用多个随机种子执行，每个任务独立运行 18 次，最多保留 16 条轨迹（15 条用于训练、1 条用于验证）。在去除编排者初始提示中的工作流文本后，研究团队使用 LoRA 微调共享模型，使模型学会自主组织任务。更新后的模型随后继续承担全部三个角色，进入下一轮迭代。
实验从 Qwen3.6-27B 基座模型出发，在 qwen-code 编码 Agent 环境中运行了 2 轮完整的 MASS。实验设计了 12 个合成科研任务，涵盖金融、机器人和制药三个领域，其中 9 个用于训练，3 个（每个领域各 1 个）留出作测试。为客观衡量进展，团队另请 GPT-5.5 和 Claude Opus 4.8 担任外部评审评估成果，其判断完全不参与 MASS 的训练过程。
发布方自测数据显示，在 3 个留出的合成测试任务上，模型对基座模型的胜率在第 1 轮为 53.9%，第 2 轮升至 69.9%；第 2 轮模型对第 1 轮模型的胜率达到 60.8%。在通用科研基准上，经历 2 轮迭代后，模型在 MLR-Bench、DSBench、ScienceAgentBench 和 AstaBench 上的每输出 token 得分达到基座模型的 1.2–1.6 倍。
不过，跨任务能力迁移并不均衡。在 Terminal-Bench 2.0 和 SWE-bench Verified 上，该模型每输出 token 得分分别为基座模型的 0.96 倍和 0.94 倍。Sakana AI 称迁移表现不均衡，并猜测在训练数据中加入软件工程任务可以解决该问题。
在多 Agent 与单 Agent 轨迹的对比实验中，发布方公布的数据显示，第 1 轮 MASS 模型（M+）在处理约 28.8 M 监督 token 后对基座胜率为 68.3%，而单 Agent 训练的 S++ 模型处理 42 M token 后胜率为 64.0%。Sakana AI 称前者少用了 31% 的监督 token，表明多 Agent 协作能提供更密集的学习信号。同时，Sakana AI 称模型自身评审与外部评审的一致率在 3 个周期中从 73% 升至 93%。
消融实验进一步探讨了系统各角色的影响。实验显示，若把评审和优化者都换成 GPT-5.5，12 个任务在 5 轮迭代内都找到了优于基座无工作流的方案；若仅替换评审者，表现改善较小。而全部由基座模型担任的同质循环最终也在 11 个任务上找到了获胜工作流，只是耗时更长。研究据此指出，在递归自我改进过程中，系统的效率瓶颈更可能是工作流优化者，而非评审者。
