Sakana AI 与 UC Berkeley 提出 MASS：自改进模型解题与评判变强，但仍无法发现自己的盲点

Sakana AI 与 UC Berkeley 提出 MASS 方法，让单个语言模型同时承担解题、优化与评判，无需更强教师模型即可递归自改进。以 Qwen3.6-27B 为基座，两轮后对基座模型的胜率从 53.9% 升至 69.9%，自评判者与外部评判的一致率从 73% 升至 93%。但同一模型兼任三职时共享盲点会被当作进步固化进下一轮训练，作者因此呼吁引入独立检查与自主权限制；代码已公开。