热点事件持续更新
Sakana AI提出MASS，探索模型递归自我改进
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
10月13日，The Decoder报道，Sakana AI与UC Berkeley提出MASS方法，让同一语言模型承担解题、评估和工作流优化，无需更强的教师模型即可进行递归自我改进。研究以Qwen3.6-27B为基础模型，两轮训练后，测试任务胜率从首轮的53.9%升至69.9%。报道指出，模型的解题与评估能力有所提升，但仍难以识别自身盲点；在MLR-Bench上，完成数量增加的同时平均评分下降，部分基准表现也略有退步。
AI 根据报道生成 · 4 小时前更新
最新进展10月13日 01:58
MASS两轮训练后测试胜率升至69.9%，但部分评测指标退步，识别自身盲点仍有困难。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 的 MASS 研究：解题与评估能力提升，但难以识别自身盲点
Sakana AI 与 UC Berkeley 提出 MASS，让同一语言模型承担解题、评估和工作流优化，无需更强的教师模型即可进行递归自我改进。研究以 Qwen3.6-27B 为基础模型，两轮训练后测试任务胜率从首轮的 53.9% 升至 69.9%，但 MLR-Bench 的完成数量增加伴随着平均评分下降，部分基准表现也略有退步。
本事件热度走势
当前热度 9·可比范围峰值 10（10月13日 03:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。