不给标准答案也不派人类纠错把模型关在屋里自己琢磨竟能变聪明如果把一个大语言模型锁在屋子里不给它看任何人类写的参考答案也不让外部专家给它纠错只让它自己跟自己玩它能不能自己把自己教聪明在人工智能领域这被称为递归自我改进。长久以来这更像一个理论假说模型连自己的错误都认不全左右互搏往往只会让它把胡话当真理最后陷入越练越傻的死循环。然而在2026年10月位于东京的人工智能初创机构 Sakana AI 联手加州大学伯克利分校拿出了一套名为 MASS 的新方案。他们没有引入更庞大的外部教师模型而是拿一个拥有270亿参数的开源模型 Qwen3.6-27B 当底座让它自己扮演研究团队里的不同角色。结果令人意外在完全没有外部正确答案指导的情况下这个模型跑完两轮闭环训练后在四个公开的科学研究测试集上每输出一个基本文字单元的得分达到了原来底座模型的1.2倍到1.6倍。一、为什么一个人琢磨容易钻牛角尖分工合作就能破局让模型给自己当老师最大的阻碍在那些开放式、没有标准答案的复杂任务上。比如写一篇跨学科的研究论文或者做一套复杂的金融分析方案哪怕是人类专家往往也很难一眼看出一份几十页的成果到底有没有暗藏逻辑缺陷。这种任务被称为不可自动验证的任务。单个模型在面对这类难题时就像一个闭门造车的学生。他写完一份长篇大论再让他自己挑刺他大概率会觉得字字珠玑因为制造盲区的逻辑和审查盲区的逻辑完全来自同一颗脑袋。加州大学伯克利分校的实习生 Hyunin Lee 与来自 Sakana AI 的 Jinglue Xu、Jeffrey Seely、Yujin Tang 等研究者换了一个思路。他们借鉴了人类社会的组织协作如果单打独斗容易陷入思维死角那能不能让同一个模型在心里分饰多角组成一个临时的项目攻坚小组在这个名为多智能体自监督的框架里唯一的那个270亿参数底座被套上了三顶帽子第一顶帽子是干活的执行者。几个由同个模型扮演的分身各自领命有的写代码有的画图表有的负责把结论汇总成研究论文第二顶帽子是流程优化器。它像一个项目经理专门琢磨团队到底该怎么分工、步骤该怎么交接第三顶帽子则是评估者。它扮演挑剔的评审专门把两组不同的团队成果摆在桌面上逐字逐句比对打分并写出评判理由。通过这种方式原本浑然一体的复杂推理过程被拆解成了有明确交接界面的团队流水线。即便大家背后用的是同一个模型底座但一旦有了角色边界和交接审查自我纠错的空间就被硬生生撕开了。二、不改一行提示词怎样把团队协作刻进模型骨子里明白了组队的好处接下来的问题更棘手如果每次解决问题都要靠人类在提示词里手把手教它们怎么分工这算不上真正的自我改进。怎么才能让模型把高效协作的本领变成自身血液里的本能研究团队设计了一套内环与外环相互咬合的齿轮机制。内环在模型内部参数完全冻结的状态下运行。流程优化器会不断尝试改写团队协作方案。一个完整的协作方案包含四块积木角色、具体指令、团队内部的契约以及谁先干谁后干的跳转顺序。其中契约明确规定了分身之间必须交付哪些信息和图表以及必须完成的核对检查。每试出一种新分工就拉去跟上一版的冠军方案比试直到在12个合成研究任务中撞出最能打的团队协作流。紧接着外环开始接力。对于选拔出来的冠军工作流团队让它把每个任务运行18次产出一大批完整的解决过程记录。评估者随后对这些方案两两比较并用统计排序方法挑出至多16条最优秀的运行轨迹。真正的转折点发生在微调这一步。研究人员使用了一种只微调一小部分参数的轻量训练方法但在把这些优质团队记录喂回模型前他们故意把原本写在提示里的工作流分工方案全部删掉。这就像老师给学生看优秀小组的讨论记录却不告诉他们原本的分工规则表逼着学生去自行领悟遇到这种规模的难题应该在什么时候主动把活分出去什么时候又该收拢检查。这种设计带来了惊人的训练效率。实验数据显示用这种多智能体协作轨迹训练出来的模型只消耗了2880万个监督文字单元胜率就达到了68.3%而如果只用单智能体自己的解题记录去硬练哪怕多喂了将近1.4倍、达到4200万个文字单元胜率也只有64.0%。换句话说多角色协作产出的思考过程包含着更密集、更高质量的信息。更巧妙的是角色泛化。研究团队只给模型喂了解题记录既没专门训它怎么当流程优化器也没专门训它怎么当评审但一轮微调之后它的流程优化能力和评估水平同步水涨船高。模型对两份结果的自评判断与外部强力裁判的一致率直接从最开始的73%飙升到了93%。三、尝到了甜头它真的无所不能了吗两轮循环跑完成果在各项测试中被端了出来。外部两款顶尖闭源模型 GPT-5.5 与 Claude Opus 4.8 被请来担任独立的考官并且它们的打分完全不参与训练过程。在未曾见过的三个测试任务上新模型面对未经改造的原始底座正面比拼的胜率从第一轮后的53.9%攀升到了第二轮后的69.9%而在训练任务上胜率更是从65.6%一路冲到了82.5%。在四个公开的研究基准测试中科学研究智能体测试的成功率从28.8%稳步提升到31.7%机器学习研究基准得分从1.71提升到2.25报告交付率也从57%蹿升到了76%。但在欢呼声之外冷水也接踵而至。当研究人员把这个在科研任务上突飞猛进的模型拉去面对硬核软件工程测试时数据却出现了尴尬的下滑。在针对终端操作的基准测试中得分相比基座反而降到了0.96倍在著名的软件工程代码测试中得分也跌到了0.94倍出现了轻微的能力倒退。这个现象揭开了自我改进底层的一层残酷真相增益并不是全面开花的智能跃迁它更像是模型在自己本就能看懂、能评价的领域里进行了一次极度深入的品味校准。由于整个过程缺乏真实世界的绝对运行反馈模型学会了写出更严谨、更漂亮的研究报告却在必须一行代码都不能错的纯软件工程任务上稍显钝化。更深层的警钟来自团队在论文里直接写明的一句话共享盲区是递归自我改进的阿喀琉斯之踵。如果几个分身本质上都源于同一个脑子哪怕分工再精细也总有一些错误属于整个团队的共同认知死角。当一个有缺陷的方案被生产出来而负责当评审的分身由于认知盲区觉得它非常完美这个错误就会被当作进步写进下一代的参数权重里。Sakana AI 和伯克利展示的并不是科幻小说里一触即发的智能大爆炸而是一个规模极小、仅有两轮、却扎扎实实跑通了参数自我演进的完整闭环。它证明了即便没有人类时刻在旁指点群体智慧的分工也能从模型自身的思维碎片里榨取出新的增量。但在真正把缰绳彻底交给机器之前我们依然得想清楚当它在自己的小天地里越跑越快时谁来确认它究竟是在攀登高峰还是在给自己的偏见加冕。