На 12 октомври 2026 г. Sakana AI представи MASS — Multi-Agent Self-Supervision. Подходът използва един общ модел в роли на изпълнител, организатор и оценител. Идеята е опитът от работата на виртуален екип да се използва за следващо обучение. Това е изследователски метод, а не съобщение за готова система с доказана обща интелигентност.

Какво е публикувано

Научният текст е подаден в arXiv на 8 октомври. Авторите са от Sakana AI и UC Berkeley. В резюмето са описани два цикъла с Qwen3.6-27B и съчетаване на еволюционно търсене на процеси с обучение върху собствени траектории. Публикацията в arXiv е препринт; тя сама по себе си не удостоверява завършено независимо рецензиране.

От редакционна гледна точка е полезно да разграничим две промени. Едната е как няколко роли си разпределят дадена задача. Другата е промяната на параметрите на модела след работа с подбрани примери. Само по-добър план в един разговор не означава автоматично, че моделът вече е обучен наново.

Вътрешният и външният цикъл

Подробният материал на авторите описва вътрешно търсене при фиксирани тегла и външно обучение върху избрани изпълнения. След две обновявания те отчитат 1,2–1,6 пъти резултат на изходен токен в четири изследователски benchmark набора. При Terminal-Bench 2.0 и SWE-bench Verified същата мярка е съответно 0,96 и 0,94 от базовата.

Тези съотношения трябва да се четат като конкретна мярка, а не като универсален коефициент за интелигентност. Резултатът на токен съчетава оценка на работата с количеството произведен текст. По-кратко изпълнение и по-добро изпълнение могат да променят съотношението по различни начини. Самото сравнение не измерва всички ресурси за подготовка и обучение.

Кодът не е пълно възпроизвеждане на всичко

README на публичното хранилище описва отделни стадии за търсене, събиране, подбор и обучение. То уточнява и липсващи части: конфигурацията за MLR-Bench покрива по-ранен малък набор, а адаптерите за няколко от останалите оценки не са включени. Затова наличният код и всички публикувани експерименти не бива да се представят като еднакъв комплект.

Отделният NOTICE посочва, че за специфичния MASS код не е определен публичен open-source лиценз. Теглата, наборите със задачи и генерираните артефакти не се разпространяват с това хранилище. Това е описание на публикуваните условия, не наше правно заключение за всяка възможна употреба.

Тази яснота има значение за изследовател, който иска да проверява резултат. Той трябва да знае не само какво може да прочете, но и кои данни, настройки и инструменти липсват. Обещание за възпроизводимост изисква проследим комплект; връзка към GitHub не заменя тази проверка.

Какво означава LoRA в този контекст

Подробното описание на MASS посочва LoRA за обучението. Първоначалният труд за LoRA от 2021 г. обяснява адаптация с обучаеми матрици с нисък ранг при замразени базови тегла. Това е полезен технически контекст за разликата между промяна на промпт и обучение на параметри. Не извеждаме от него конкретна цена или хардуерна нужда за MASS.

Хипотетично екип от роли може да подготвя данни, да избира метод и да проверява отчет. Ако полученото изпълнение се използва за обучение, моделът получава пример за процеса, а не само окончателния отговор. Това е наш обяснителен пример; не добавяме измислен нов експеримент към работата на авторите.

Самооценката остава въпрос за проверка

Нашият основен редакционен въпрос е как се разпознава действителен напредък, когато една и съща основа предлага работата и я оценява. Съгласие между роли не е логически равнозначно на независима проверка. Различни роли могат да споделят една и съща неправилна предпоставка, затова е важно да има начин тя да бъде открита отвън.

За читателя обещаващата част е конкретната връзка между организация на работата и следващо обучение. Ограниченията са също конкретни: препринт, резултати на авторите, неравномерен пренос и непълен публикуван комплект за всички оценки. Следващата полезна стъпка би била независимо възпроизвеждане върху добре описани задачи, а не превръщане на съотношението от един benchmark в обещание за всеобщо самоусъвършенстване.