Le 11 octobre 2026, Sakana AI et des chercheurs de l’UC Berkeley ont présenté MASS, une méthode récursive d’auto-amélioration pour les tâches ouvertes. Dans l’annonce de Sakana AI, le système utilise le même modèle de base dans trois rôles : résolveur de tâches, optimiseur de workflow et évaluateur.
MASS alterne la recherche de workflows et le fine-tuning sur des trajectoires auto-générées sélectionnées, afin d’améliorer la configuration de l’agent sans faire appel à un modèle enseignant plus grand à chaque itération. Sakana rapporte deux cycles MASS sur Qwen3.6-27B, avec un score par token de sortie 1,2 à 1,6× plus élevé sur quatre benchmarks de recherche que le modèle de base.
Sur trois tâches de test synthétiques retenues à part, le taux de victoire rapporté face au modèle de base est passé de 53,9 % après une itération à 69,9 % après deux. La publication signale également un risque de sécurité lié à l’auto-amélioration récursive homogène : si le même modèle occupe tous les rôles, des angles morts communs peuvent être renforcés durant l’entraînement.