Em 11 de outubro de 2026, pesquisadores da Sakana AI e da UC Berkeley apresentaram o MASS, um método de autoaperfeiçoamento recursivo para tarefas abertas. No anúncio da Sakana AI, o sistema usa o mesmo modelo-base em três funções: solucionador de tarefas, otimizador de fluxo e avaliador.
O MASS alterna a busca por fluxos com o ajuste fino em trajetórias autogeradas selecionadas, com o objetivo de melhorar a configuração do agente sem incorporar um modelo professor maior a cada rodada. A Sakana relata dois ciclos do MASS no Qwen3.6-27B, com pontuação por token de saída 1,2–1,6× maior em quatro benchmarks de pesquisa em comparação ao modelo-base.
Em três tarefas de teste sintéticas não vistas, a taxa de vitória reportada contra o modelo-base subiu de 53,9% após uma rodada para 69,9% após duas. A publicação também aponta uma preocupação de segurança com o autoaperfeiçoamento recursivo homogêneo: se o mesmo modelo ocupa todas as funções, pontos cegos compartilhados podem ser reforçados durante o treinamento.