让 AI 自己教自己：多智能体自监督打开了递归自我改进的口子
让 AI 自己教自己：多智能体自监督打开了递归自我改进的口子
一句话版本：当模型产出超出人类专家的评估能力，谁来当老师？答案是「模型自己组织的智能体团队」——MASS 方法让基础模型自己提出、执行、评估多智能体工作流，再拿这些轨迹反过来训练自己，两轮循环性能提升 1.2-1.6 倍。
一句话版本（先给结论）
伯克利与 Sakana 团队提出 MASS（多智能体自监督）：交替进行「进化式工作流优化」与「自生成轨迹微调」——模型先为任务进化出最优的多智能体编排（角色分工+信息路由），再把这些多智能体轨迹当训练数据微调自身。两轮循环后，同等 token 产出性能提升 1.2-1.6 倍；且用多智能体轨迹训练的学生模型，胜过用 1.4 倍数据训练的单智能体学生——自监督的信号质量更高。
一、递归自我改进的「老师瓶颈」
递归自我改进（RSI）是智能体领域的圣杯方向：模型改进模型，能力滚雪球。但它在开放性任务上卡在一个根本瓶颈——监督信号从哪来？
代码可以跑测试验证对错；但「一份研究方案好不好」「一个策略优不优」这类不可验证任务，连人类专家都评不稳；
单模型自我批评（同质回路）效果差：同一个模型用同一套偏见审自己，错的地方照样错。
论文的解法一针见血：单个模型不行，就让它组织一支风格各异的智能体团队来互相监督。
二、MASS 的两步循环：先进化编排，再吃轨迹
第一步：进化式工作流优化。 基础模型针对任务提出多种多智能体工作流（像计算图一样的编排：哪些角色、谁向谁传递什么信息），执行后自评效果，在结构护栏约束下做进化搜索——保留有效分工，淘汰冗余路由。多智能体拓扑在复杂推理上的优势（异质视角+分工）就这样被「搜」了出来。
第二步：自生成轨迹微调。 把最优工作流产生的执行轨迹（含中间步骤与反馈）作为训练数据，微调基础模型本身。改进后的模型又成为下一轮更强的「工作流设计者+评估者」——递归自举开始滚动。
三、三个关键结果
性能：四个开放性公开基准上，两轮 MASS 后每 token 产出性能提升 1.2-1.6 倍；
训练效率：用多智能体轨迹训练的学生模型，超过用 1.4 倍 token 训练的单智能体学生——多智能体轨迹里「分工+路由+反馈」的结构信号，比单线思维链密度更高；
持续滚动：模型变强后，它设计的工作流和评估也更准——改进会自我强化，而非一轮见顶。
四、对智能体产品的三条启示
1. 「自监督数据」是新的数据护城河。 你的智能体系统每天跑出的高质量轨迹（尤其是多智能体协作轨迹），就是下一版模型的训练金矿——产物落盘不只是为了回溯，更是数据资产。
2. 编排本身值得被优化，而不是被手写。 哪个环节配什么角色、信息怎么路由，进化搜索+护栏约束比人工设计更能逼近任务结构——把「工作流编排」从配置项升级为可学习对象。
3. 团队化是多智能体的第一性价值。 不是「人多力量大」的堆料，而是异质视角提供的监督信号——这恰恰是自监督回路里最缺的东西。
结语
RSI 的叙事长期停在「模型评审模型」的同质回路里，MASS 用多智能体拓扑把回路打破了一角：当评估者足够多样，自己教自己才成立。做多智能体平台的团队，你们的轨迹数据正在升值。
论文：Recursive Self-Improvement through Multi-Agent Self-Supervision（arXiv 2610.12176）
BuddyMe 每日免费 4500 万 Token。