Am 2026-10-11 stellten Forschende von Sakana AI und UC Berkeley MASS vor, eine rekursive Methode zur Selbstverbesserung für ergebnisoffene Aufgaben. In der Ankündigung von Sakana AI übernimmt dasselbe Basismodell drei Rollen: Aufgabenlöser, Workflow-Optimierer und Evaluator.
MASS wechselt zwischen der Suche nach Workflows und Fine-Tuning auf ausgewählten selbstgenerierten Trajektorien. Ziel ist es, das Agentensystem zu verbessern, ohne in jeder Runde ein größeres Lehrermodell einzusetzen. Sakana berichtet über zwei MASS-Zyklen mit Qwen3.6-27B und eine 1.2–1.6× höhere Punktzahl pro Ausgabetoken auf vier Forschungs-Benchmarks gegenüber dem Basismodell.
Bei drei zurückgehaltenen synthetischen Testaufgaben stieg die berichtete Gewinnrate gegenüber dem Basismodell von 53.9% nach einer Runde auf 69.9% nach zwei Runden. Der Beitrag weist außerdem auf ein Sicherheitsrisiko homogener rekursiver Selbstverbesserung hin: Wenn dasselbe Modell alle Rollen übernimmt, können gemeinsame blinde Flecken durch das Training verstärkt werden.