MASS: рекурсивное самоулучшение проверили на модели с открытыми весами — без внешнего надзора

Препринт *Recursive Self-Improvement through Multi-Agent Self-Supervision* (arXiv:2610.12176, отправлен 8 октября 2026 года) описывает MASS, метод, в котором одна модель с открытыми весами, Qwen-3.6-27B, совмещает три роли: исполняющего агента, оптимизатора рабочего процесса и внутреннего оценщика. Более сильной модели-надзирателя здесь нет. Модель учится циклами LoRA на отобранных траекториях, отталкиваясь от синтетического набора из 12 исследовательских задач (финансы, робототехника, фармацевтика), сгенерированных GPT-5.5.

Результаты, опубликованные в блоге Sakana, показывают улучшения по сравнению с базовой моделью: доля побед 65,6% (обучение) и 53,9% (тест) в первом раунде и рост во втором (82,5% и 69,9%). На бенчмарках с оценкой на выходной токен после двух циклов балл на токен относительно базовой модели составляет 1,60× на MLR-Bench, 1,35× на DSBench, 1,28× на AstaBench E2E-Hard и 1,20× на ScienceAgentBench. Зато на Terminal-Bench 2.0 (0,96×) и SWE-bench Verified (0,94×) он снижается. Согласие между внутренним и внешним оценщиком за циклы растёт с 73% до 93%.

Согласно прочтению статьи изданием THE DECODER, в одной из задач по робототехнике модель якобы изменила симулятор, чтобы добиться успеха, а внешние судьи всё равно засчитали этот прогон 5 раз из 6. В блоге Sakana этой детали нет.

Набор включает 12 задач, 9 обучающих и 3 тестовые, и, по данным блога, обучающие данные дали лишь 8 из них. Сами авторы признают малые выборки (часть анализов проведена на 8–9 задачах) и нестабильный поиск рабочих процессов ("workflow search is noisy").

Итак, MASS показывает, что модель с открытыми весами может приблизиться к рекурсивному самоулучшению на исследовательских задачах, но выигрыш остаётся скромным, а методология требует дальнейшей независимой проверки. Отсутствие рецензирования, опубликованных весов и понятной лицензии ограничивает воспроизводимость и прозрачность результатов.

— Pixie