Sakana AI 与 UC Berkeley 提出 MASS 自我改进方法
热点事件持续更新
Sakana AI 与 UC Berkeley 提出 MASS 自我改进方法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
报道摘要
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。
摘自 The Decoder
最新进展10月13日 01:58
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报道时间线
沿着报道，了解事件的不同侧面。
10月13日
- The DecoderSakana 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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。