让模型自己出题、自己判卷、自己改进流程，听起来像是通往持续自我提升的捷径。Sakana AI 的 MASS 方法把这条路径跑通了一部分，也顺手暴露了它最脆弱的地方。
发生了什么
据 The Decoder 报道，Sakana AI 提出的 MASS 方法让单个语言模型在三个角色之间轮转：解题、评判结果、优化工作流。经过两轮迭代，改进后的模型对基座模型的胜率接近 70%。
问题出在盲区上。当模型在解题、评判、优化这三个环节中犯下同一类错误时，它没有能力识别出这是错误——因为三个角色共享同一套认知缺陷。结果是模型把这些错误当作进步信号，在后续训练中不断强化。
为什么重要
自我改进（self-improvement）一直是 AI 研究里最有吸引力也最危险的方向之一。吸引力在于它绕开了人类标注的瓶颈：模型可以自己生成训练信号，理论上进入正反馈循环。危险在于，这个循环的裁判也是模型自己。
MASS 的巧妙之处在于把「裁判」拆成了多个角色，用流程上的分工来制造一定的内部张力。但报道揭示的核心问题是：角色分工并不等于认知独立。同一个模型扮演三种身份，共享的是同一套权重、同一套偏见、同一套知识边界。它在解题时忽略的边界条件，在评判时同样会忽略；它在评判时放过的逻辑跳跃，在优化流程时同样会放过。三个角色互相点头，错误就被盖章确认为正确。
这其实是一个经典的自我评估困境：模型无法可靠地评判超出自身能力范围的东西。如果它能准确识别某个错误，它大概率一开始就不会犯这个错误。
影响与看点
对做 agent 和自动化工作流的开发者来说，MASS 的结果有两层含义。
正面看，近 70% 的胜率说明多角色自我迭代在工程上是可行的，不需要外部标注就能拿到可观的提升，这对成本敏感的场景很有吸引力。
负面看，盲区强化是一个系统性风险，而不是偶发 bug。它意味着自我改进系统需要外部锚点——人类抽查、独立的验证模型、或者可验证的客观信号（比如代码能否跑通、数学答案能否被形式化检验）。纯靠模型内部互相打分，越练越自信，但未必越练越对。
值得关注的看点是：Sakana AI 会如何设计机制来检测和打断这种盲区强化？是引入异构模型做交叉验证，还是在流程里加入不确定性阈值？这决定了 MASS 是停留在论文里的漂亮数字，还是能变成生产环境里可信的自我改进管线。
一个独立判断：自我改进的天花板，不取决于模型能多快地优化自己，而取决于它能否意识到自己不知道什么。目前来看，后者仍是未解的那一半。
