Sakana AI 已完成两轮多智能体自监督（MASS）：同一模型的多个实例生成研究成果、评价成果，再把选中的执行轨迹用于训练共享模型的下一代版本。报告展示了实际实验收益，但结果并不均匀：研究基准进步，两项软件工程基准却退步。这是受限的后训练实验，不是自主智能爆炸的证据。
2026 年 10 月 8 日提交的论文和开源实现提供了任务提示、训练配置、评估工具和流程文档，便于检验实验。同时，“递归”一词背后的问题也很清楚：目前只有两个完整周期、规模很小的任务集，而且同一模型担任执行者、优化者和评价者，可能在各环节重复相同错误。
把团队成果转化为模型更新
普通多智能体推理会把任务分给多个实例并汇总结果，但不改变底层权重。MASS 则保存消息、工具调用、中间产物和结果，把它们作为训练轨迹。不同实例承担不同工作，却共享同一个模型，并不是分别训练的独立专家。
内循环保持权重不变，搜索由提示定义的更好工作流。工作流规定角色、指令、输出契约和通信跳转。每个训练任务都有当前最优工作流；候选团队执行任务后，模型将其工作区与当前最优方案比较，优化者依据评价提出修改。
选定工作流后，MASS 为每个任务运行 18 次。模型通过成对比较给工作区排序，Bradley–Terry 模型把偏好转换成分数。每个任务最多保留 16 条轨迹：15 条可供训练，1 条留作验证。微调前会从编排器的初始训练提示中移除工作流文字，使模型从任务推断如何组织工作，而不只是照抄现成方案。
外循环采用低秩适配 LoRA，只微调有限的一组参数。编排器和子智能体的对话都是训练目标，更新后的模型再回到三种角色参与下一轮。称其为递归有其依据，因为上一代参与生成和选择下一代的数据；但架构、任务、优化程序、基准、计算设施和周期边界仍由人定义。
研究进步与明确的迁移边界
基座是编码智能体环境中的 Qwen3.6-27B。合成任务集包含金融、机器人和药学领域的 12 项研究任务，每项都要求代码、定量分析和书面报告。9 项原定用于训练，最终实际贡献数据的是 8 项；另外 3 项各来自一个领域，完全排除在微调、验证和检查点选择之外。
GPT-5.5 和 Claude Opus 4.8 是对完整工作区进行比较的外部裁判，不是训练循环的监督者。在 3 项留出任务上，第一轮模型相对基座的胜率为 53.9%，第二轮为 69.9%；第二轮对第一轮的胜率为 60.8%。训练任务上，两轮相对基座的胜率分别为 65.6% 和 82.5%。训练结果更强，因此不能把它与留出任务证据混为一谈。
公开研究基准中，Sakana 称第二轮每输出 token 的得分为基座的 1.2—1.6 倍。MLR-Bench 从 1.71 升至 2.25，论文交付率从 57% 升至 76%；ScienceAgentBench 从 28.8% 升至 31.7%；AstaBench E2E-Hard 从 0.053 升至 0.067，报告交付率从 50% 升至 76%；DSBench 仅从 0.473 升至 0.482。效率比值较高，不会让最后这个很小的绝对变化变成大幅得分增长。
软件工程却向相反方向变化。Terminal-Bench 2.0 从 0.375 降至 0.352，SWE-bench Verified 从 0.626 降至 0.611；每输出 token 得分分别为基座的 0.96 倍和 0.94 倍。因此，不能说新模型在所有方面都更强。
任务匹配是合理解释：训练主要围绕研究报告、定量证据和代码，而非代码仓库调试或终端操作。Sakana 提议加入软件工程任务，但效果尚未验证，也可能干扰原有能力。真正的迁移测试必须同时检查新领域表现和旧能力是否保留。
效率数字没有计入什么
一组训练比较中，多智能体学生模型处理 2,880 万监督 token 后达到 68.3% 胜率；规模最大的单智能体学生模型处理 4,200 万后达到 64%。这意味着监督 token 少 31% 而结果更好，不代表模型开发总成本已降低 31%。
筛选前，团队平均生成的 token 约为单智能体的 2.4 倍。外部裁判在 85.1% 的比较中偏好团队成果；在 10 对轨迹长度相近的样本中，团队仍有 80% 胜率。这支持协作与筛选能产生有价值样本，但比较并未隔离委派的单独作用，因为工作流与验证指令也有差异。
每输出 token 得分衡量的是输出效率，不是完整流程成本。工作流搜索、重复执行、比较、数据生成和评估都消耗额外计算；监督 token 总数也不含输入 token 及若干上游开支。因此，MASS 支持的是“选中训练数据更密集”的结论，整体开发效率仍需要完整核算。
信息契约比角色人设更重要
工作流搜索修改角色、指令、契约和跳转。契约说明智能体必须返回什么证据或产物；跳转规定信息何时传给另一智能体或返回审核。这比让几个副本分别扮演研究员、批评者和编辑更具体。
在金融案例中，智能体分别负责数据准备、特征构建、建模、回测、审计、对账和报告。数据智能体必须说明历史决策是否泄漏使用了未来信息。这个要求针对真实失误：漂亮的回测可能只是利用了当时尚不可知的数据。
Sakana 对工作流文字的分析发现，任务信息逐渐集中在契约和通信顺序，而非角色与通用指令。按不同比较，样本只有 8 或 9 项任务，互信息估计描述的是工作流文字，不是执行中所有消息。因此，这是机制线索，不是广泛因果证明。
此前的多智能体辩论研究考察交换答案与批评带来的提升。MASS 则把选中的集体行为写进权重：编排器轨迹教分解与协调，子智能体轨迹教有边界的具体任务。可检索的工程知识库也体现了保存可检查证据与决策的组织原则，但它不是 MASS 的独立实验验证。
优化者与裁判共享局限
同一模型承担三种角色，减少了对长期更强教师的依赖，却也造成相关性错误。执行者误解任务，评价者可能奖励该误解，下一代又可能更自信地学会它。随机采样和专门分工产生行为差异，并不等于独立训练经历或独立判断。
Sakana 的项目介绍把共享盲点列为安全问题。三代模型中，内部与外部裁判的一致率从 73% 升至 93%。这是这些任务上的积极信号，不是正确性证明：裁判可能共享假设，或偏好精美报告，却漏掉必须靠现实实验发现的错误。
优化者能力也是瓶颈。在保留基座 Qwen 执行任务的测试中，只让 GPT-5.5 评价，改进有限；让它同时评价和优化，则在 5 次搜索迭代内为全部 12 项任务找到胜出工作流。同质循环最终为 12 项中的 11 项找到胜出方案，但最多需要 13 次迭代。优化者若不能把好批评转化成更好流程，仅有准确评价并不够。
搜索也不稳定：优秀迭代之后可能骤然退步。原稿引用的社区批评质疑“递归”命名，也追问为何两轮就停止。更准确的理解是在人为设定的边界内反复搜索工作流并监督微调，而不是不受限的自我改写，也未证明进步能无限持续。
监督必须随能力一起进步
没有自动成功判据的研究尤其容易自我确认。逻辑连贯的报告仍可能有概念错误、遗漏反证，或在能运行的代码里实现错误目标。模型共识不能独自裁定科学新颖性、战略判断、价值或安全问题。
OpenAI 的可监测性研究发现，推理轨迹比动作和最终答案提供更多线索，但监测并不完整，也同时取决于智能体和监测者。MASS 的丰富轨迹增加检查机会，也增加藏错空间。直接优化可见推理，可能只奖励更有说服力的解释，而未修正底层行为。
Anthropic 对递归自我改进的讨论同样强调监督、验证和核查。独立检查可以包括外部模型、领域专家、可执行测试、可信数据管线、对抗评估以及延后的现实验证。没有一种覆盖全部失误；多个模型一致也可能源自共同偏见。
决定性后续测试应包括更多周期、保留原能力的跨领域迁移，以及从故意设置的共同盲点中恢复。不能仅靠外部裁判抓住错误；循环本身应修改工作流，并避免把缺陷轨迹用于训练。目前，MASS 证明了有边界、重证据的研究团队可产生高密度学习信号，尚未证明无限递归进步，也不足以取消重大决策中的人工审核。