El 2026-10-11, investigadores de Sakana AI y UC Berkeley presentaron MASS, un método de auto-mejora recursiva para tareas abiertas. En el anuncio de Sakana AI, el sistema utiliza el mismo modelo base en tres funciones: solucionador de tareas, optimizador de flujos y evaluador.
MASS alterna la búsqueda de flujos con el ajuste fino de trayectorias autogeneradas seleccionadas, con el objetivo de mejorar la configuración del agente sin incorporar un modelo docente mayor en cada ronda. Sakana informa de dos ciclos de MASS con Qwen3.6-27B, con una puntuación por token de salida 1.2–1.6× mayor en cuatro benchmarks de investigación frente al modelo base.
En tres tareas de prueba sintéticas reservadas, la tasa de victorias reportada frente al modelo base pasó del 53.9% tras una ronda al 69.9% tras dos. La publicación también señala un problema de seguridad en la auto-mejora recursiva homogénea: si el mismo modelo desempeña todas las funciones, los puntos ciegos compartidos pueden reforzarse durante el entrenamiento.