Sakana AI MASS 是什麼？讓模型從代理團隊學習的自我改進研究
Sakana AI MASS 讓同一模型組成代理團隊，改進工作流程，再從團隊紀錄中學習。本文拆解兩層循環、研究基準每輸出 token 得分提升 1.2–1.6 倍的口徑、軟體工程測試限制，以及一般團隊可借鏡的交接與驗收做法。
當 AI 寫出一份研究報告，最難的工作往往才開始：誰來判斷它的推理和結果是否可靠？
如果再請同一個模型檢查，它可能抓出錯誤，也可能沿用原本的誤解，替自己的答案背書。
Sakana AI 與加州大學柏克萊分校的研究團隊，嘗試讓模型先組成分工團隊，再從團隊的工作紀錄中學習。
這個方法叫 MASS，中文可以理解為「多代理自我監督」，把協作經驗變成下一輪訓練的材料。
研究在部分研究任務上得到進步，但寫程式與操作終端機的測試沒有同樣改善。
對使用 AI 的團隊來說，它最有用的啟發，是把交接、驗收和改進方式寫清楚，而不是只增加幾個代理。
要理解團隊的經驗如何留在模型裡，得先看它在每一輪做了哪些工作。
MASS 如何把團隊協作變成模型的學習材料？
MASS 的團隊成員使用同一個模型，透過不同任務分工協作，並不是把幾家公司的模型放在一起投票。
AI 代理是能依照指示執行任務、使用工具的模型實例。多個實例可以共用相同模型，卻各自負責不同工作。
Sakana 官方研究頁把這個模型安排成三種角色：執行任務、修改工作流程，以及評估完成的成果。
執行者產出研究所需的程式、圖表和報告。評估者比較成果。流程改進者根據回饋，調整下一次怎麼分工與交接。
分工的意義，在於讓每一段工作有明確範圍。負責資料的人先建立可用資料，後面的分析才有可以檢查的起點。
這些角色不會憑空獲得彼此沒有的知識，但能把一項複雜工作拆成比較容易處理、互相檢查的部分。
官方流程動畫，約 53 秒、無聲，展示團隊工作、流程改進與模型微調的循環 影片來源：Sakana AI 官方 GitHub。
內圈先改工作方式，外圈才更新模型
MASS 有兩層循環，分別處理「怎麼做」與「從做過的事情學習」。
內圈讓模型反覆嘗試工作流程、比較產出，再調整安排。這個階段模型權重固定，改的是送給團隊的工作計畫。
權重是模型訓練後留下的數值，影響它如何產生回答。更換一份提示詞，並不等於這些數值已經改變。
外圈則挑選團隊的執行紀錄，用 LoRA 微調模型。LoRA 是透過較少的新增參數調整模型的方法，這一步才涉及訓練。
研究讓更新後的模型重新擔任三種角色，再進行下一輪，所以學習材料與產生材料的方式會一起演進。
完整方法見原始論文。這也說明，一般人在聊天視窗裡叫 AI 反省，和訓練模型是兩回事。
工作紀錄比一份漂亮答案包含更多資訊
團隊留下的紀錄包含如何分派工作、呼叫工具、取得結果，以及把資訊交給下一個成員。
對後續訓練而言，這些過程能呈現任務如何完成，避免只看最後一份報告，卻不知道其中的重要檢查怎麼發生。
可以把它想成接手專案：只拿到結案簡報，很難重做。拿到資料、步驟與檢查紀錄，才比較能沿用前人的方法。
這個比喻解釋了團隊紀錄的價值，但是否真的學得更好，還是要回到研究的測試結果。
1.2–1.6 倍衡量的是輸出效率，進步也有範圍
MASS 公布的倍數，是特定基準上的「得分除以輸出 token 數」，不是模型所有能力一起增加相同比例。
token 是模型處理文字時使用的單位，一個中文字不一定剛好等於一個 token。輸出較短、得分較高，都可能讓這個比值改善。
研究以約 270 億參數的 Qwen3.6-27B 為起點，完成兩輪 MASS，再觀察不同領域的表現。
官方圖表列出的第二輪結果如下，1.00 代表與原始模型相同的每輸出 token 得分。
| 測試項目 | 相對原始模型的比值 | 觀察重點 |
|---|---|---|
| MLR-Bench | 1.60 | 機器學習研究任務 |
| DSBench | 1.35 | 資料科學任務 |
| ScienceAgentBench | 1.20 | 資料驅動的科學任務 |
| AstaBench E2E-Hard | 1.28 | 科學研究任務 |
| Terminal-Bench 2.0 | 0.96 | 終端機任務的每輸出 token 得分略降 |
| SWE-bench Verified | 0.94 | 軟體工程任務的每輸出 token 得分略降 |
來源：官方結果與圖表。各項測試的得分尺度不同，表中的比值不能拿來比較哪個領域比較容易。
這張表支持的判斷，是研究類任務的輸出效率有改善，能力轉移到其他工作時仍有限制。
終端機與軟體工程的比值分別為 0.96、0.94，略低於原始模型，顯示這個指標也可能退步。
如果團隊主要用 AI 修程式錯誤，就不能直接拿研究任務的 1.60 倍，當成自己的預期收益。
每輸出 token 得分，不等於整套流程更省錢
輸出效率沒有把所有投入都算進去。搜尋流程、執行多次任務、挑選資料和微調，本身都需要資源。
對要做導入決策的人來說，除了答案好不好，還要記錄總耗時、工具費用、重跑次數與人工修改時間。
例如一份報告短了兩成，卻增加數輪互相審查，最後交付時間可能變長。這是成本判斷的示例，不是 MASS 的實測結果。
團隊應把「輸出效率」和「完成一項工作的總成本」分別量測，才能判斷收益出現在哪裡。
收益的口徑清楚之後，還有另一個問題：選出較好成果的評估者，會不會也犯錯？
同一個模型當裁判，錯誤也可能被學進去
MASS 的重要限制，是執行、評估與改進流程都來自同一個模型，可能共享相同盲點。
如果它誤讀某份資料，評估時又沿用這個誤解，一份錯誤成果便可能被選為訓練材料，進入下一輪模型。
這不是只在最後一份報告上改錯字，而是錯誤可能同時影響成果，以及用來挑選成果的標準。
這類研究任務難以靠固定答案或自動測試，完整判斷成果好壞。研究稱它們為「非驗證任務」，由模型評估者比較產出並提供循環內的回饋。
研究另外使用 GPT-5.5 與 Claude Opus 4.8 評估完成的工作，提供循環之外的衡量。這些評分不回饋 MASS 的訓練流程。
外部評估讓結果多了一個比較依據，仍不能保證所有研究結論都正確。模型評分與實際實驗驗證，回答的是不同問題。
在需要真實世界驗證的工作裡，報告寫得合理，和結果能被重做，是不同的完成條件。
一般團隊應保留哪些可以獨立查核的證據？
以內容研究為例，文章的數字要能回到原始頁面，計算要有輸入資料，圖片要有來源與使用條件。
如果審查代理只看成稿，它可能同意一個流暢的錯誤。把原始資料一起交給它，至少能檢查文章是否忠於證據。
也要保留人工可以介入的位置。當資料互相矛盾、重要來源失效，或檢查結果無法解釋時，就先停在該步處理。
這些是本文從研究限制延伸的工作建議。能被多個代理一致接受，並不會自動讓一項主張變成事實。
把檢查安排進流程後，普通團隊也可以先做一個不涉及模型訓練的小型比較。
一個內容研究示例：先把交接和驗收寫清楚
本文建議的起點，是選一項常做、能夠驗收的工作，先比較工作安排，而不是直接重現整套 MASS。
以下用「整理官方公告、寫成文章」示範。這是本文自擬的試驗設計，未實測，也不是 Sakana 公布的應用成效。
假設團隊有十份已完成、可以查核的歷史文章，可以先用其中七份調整流程，另外三份留到最後驗收。
所有流程使用相同公告與附件，並限制可使用的時間或費用。避免某組拿到更多資料，卻把差異誤認成分工的效果。
交出去的資料，應該讓下一步有辦法檢查
只寫「你是研究員」太模糊。研究階段應交出每項主張、支持它的原文位置，以及仍有衝突的資訊。
寫作階段再把這份資料整理成讀者能理解的段落，讓數字有意義，分析也能和來源支持的事實區分。
審查階段則同時拿到文章和證據，檢查關鍵主張是否有來源、數據是否使用同一口徑，以及標題有沒有超出結果。
這裡每一步都要有明確的退回方式。研究資料不完整時，先補資料。文章引用錯誤時，退回該句，而不是把整篇重新生成。
| 階段 | 要交出的東西 | 可以驗收的條件 |
|---|---|---|
| 研究 | 主張與原始來源對照 | 重要數字能找到依據 |
| 寫作 | 文章與引用連結 | 事實、分析、示例可區分 |
| 審查 | 問題所在句與理由 | 每項修改要求能回到證據 |
這張表的目的，是讓接手的人知道該收什麼、該查什麼。代理數量則依工作需要決定，不必每一階段都另外開一個。
流程修改後，固定用保留的案例驗收
比較時可以安排一組由單一代理完成，另一組採用明確交接。人工審查者使用相同標準，避免只憑文章語氣挑選。
除了錯誤數，也記錄來源遺漏、人工修改分鐘數和最終交付時間。若答案更完整卻花費太高，就縮減不必要的來回。
把失敗原因記下來後，每次只調整一項安排，例如資料不足就退回研究。這樣較容易看出哪個改變有幫助。
最後再使用保留的三份案例測試。若流程只適合已看過的七份內容，仍不足以支持團隊全面採用。
這種做法只是在改善工作方式，沒有更新模型權重。等到收益穩定、紀錄足夠，才有討論訓練投入的基礎。
官方程式碼已公開，完整重現仍需要額外準備
想進一步研究 MASS，可以從官方 GitHub 專案了解流程與設定，但它是研究實作，不是一般聊天產品。
截至 2026 年 10 月 13 日查詢，實驗支援文件明確列出部分評估工具未隨專案提供。
例如 README 報告的 MLR-Bench 評估涵蓋 107 項任務，專案附帶的設定則是較早的 12 項子集，不能直接當成完整重現。
因此，讀者應先確認自己要研究哪一段，再檢查對應的資料、執行器與評估工具是否齊全。
訓練投入與安全環境都要另外評估
官方執行指南指出，第一輪微調使用六張 H100，約需 19 小時。流程搜尋與紀錄蒐集還要另外計算。
這是該次研究的單輪微調紀錄。個別環境的硬體需求，以及完整兩輪的總耗時，仍需另外評估。
指南也提醒，合成任務執行器會跑模型產生的命令，沒有自行建立安全沙盒。實際研究需準備隔離環境。
一般內容或營運團隊，先用已有工具改善驗收通常更合適。需要訓練模型的研究者，才有必要深入評估這套流程。
延伸閱讀：三大 AI 實驗室傳出遞迴自我改進：官方數據證實了什麼，哪些仍是傳聞？
常見問題：Sakana AI MASS 與一般多代理有何不同？
MASS 是一個可以直接聊天的新模型嗎？
MASS 是工作流程搜索與模型微調交替進行的方法。官方提供研究程式碼，本文沒有實測其完整訓練流程。
為什麼多個代理使用同一個模型？
研究要觀察同一模型能否從自己的團隊紀錄中學習。不同分工提供不同任務範圍，並不代表成員的知識來源彼此獨立。
只改提示詞，模型會永久學會嗎？
提示詞可以影響這次任務的做法，卻不等於已完成模型微調。MASS 的外圈需要訓練，才能把團隊紀錄用於更新模型。
一般團隊一定要訓練模型才能借鏡嗎？
不必。可以先改善交接內容與完成條件，用固定案例比較人工修改時間、錯誤和總成本，再決定是否值得進一步投入。
結語：先讓協作可以驗收，再談持續學習
MASS 把團隊執行經驗接上模型訓練，提供了有限研究任務上的自我改進證據，也留下跨任務表現與評估可靠性的問題。
對一般團隊，第一步可以很具體：挑一項常做的研究工作，把原始資料、交接內容與退回條件寫成清楚的流程。
先看官方動畫與完整研究說明，再用自己的歷史案例做小型比較，確認改進是否減少錯誤和人工負擔。
