在一组需要编写代码、运行实验并提交研究报告的任务测试中，研究人员只给 AI 提供任务要求，没有额外教它如何组织团队。训练前的模型（下文称为“基座模型”）在 110 次执行中，只有一次出现了成功的子 Agent 委派——也就是调用另一个 AI Agent（Subagent）分担任务，且工具没有报错。

经过两轮训练后，更新版本在同样没有组队指令的 110 次测试中，有 87 次主动完成这样的委派。一个 Agent 写好代码、另一个 Agent 随后读取该文件的交接行为，也从 1 次增加到 83 次。

这组结果来自 2026 年 10 月 Sakana AI 与加州大学伯克利分校的论文《Recursive Self-Improvement through Multi-Agent Self-Supervision》。研究团队提出 MASS（Multi-Agent Self-Supervision，多 Agent 自监督）：让共享同一个底层语言模型的多个 Agent 组成团队，执行研究任务；再比较它们的成果、调整团队的工作安排，把筛选出的执行过程用于训练底层模型。模型更新后，再由新版本继续执行、比较和学习。

这里的变化不是模型突然获得了从未具备的组队能力。论文中的另一项对照发现，基座模型只要收到通用的组队指令，本来就能调用其他 Agent。训练后出现的主要变化，是模型在没有这些额外指令时，更常主动采用协作方式。

研究人员使用 Qwen3.6-27B 完成了两轮更新，在部分研究任务表现、协作行为和评价一致性上观察到改善。这属于递归自我改进（Recursive Self-Improvement，RSI）的一次受控尝试：模型从上一轮由自己参与产生和筛选的数据中学习，再承担下一轮的执行与评价工作。但任务、Agent 运行环境和训练步骤仍由研究人员预先设定；两轮改进也不等于证明它能够长期持续进步。

但 MASS 真正值得讨论的，不只是模型有没有变强，而是：当研究经验由模型自己生成、评价并挑选时，什么样的经验值得被训练回模型？

一、当研究没有标准答案，模型如何评价自己的工作？

先看 MASS 论文中的一项具体任务。研究团队设计了一道模拟金融研究的编程题：要求 AI Agent 利用宏观经济数据，以及利率、外汇、大宗商品等市场信息，预测未来 1—20 天的股票指数收益，并设计相应的交易策略。模型需要用历史数据回测策略表现，最后提交可运行的代码、实验图表和研究报告。这是一项合成测试任务，不是已经进入真实市场的交易项目，也不意味着模型完成了新的科学发现。

今天的 Coding Agent 已经能够完成其中不少步骤。但能够运行代码、画出收益曲线，不代表研究结论可靠。实验是否无意中使用了未来数据？训练集和测试集是否泄漏？比较基准是否合理？得到的结果能否支持报告中的判断？

其中一些问题可以通过程序检查，另一些则需要理解研究设计，甚至进行更多独立实验才能回答。检查训练数据是否早于测试数据，是对某个步骤的验证；判断整个交易研究是否可信，则还涉及实验设计和结论。问题不在于 Agent 是否能够完成回测，而在于它能否识别哪些回测结果真的值得相信。

这也是开放式研究任务和许多标准 Coding 任务的区别。程序编译通过、测试用例全部成功，往往能提供比较直接的反馈；一份研究报告即使包含可运行的代码，也仍然可能采用有偏差的数据、遗漏必要的对照，或者提出超过证据范围的结论。

这正是 MASS 所讨论的 non-verifiable tasks：不是说研究结果原则上无法验证，而是指训练过程中缺少现成、可靠、能够自动判断整体成果质量的规则式信号。部分数学和编程测试有明确答案、单元测试或形式化验证器；开放式研究却很难只用一条规则，判断一份研究报告究竟好在哪里、错在哪里。

如果每轮训练都需要人类专家检查大量研究产物，评价就可能成为扩展的瓶颈。对于前沿研究，判断一项结果是否成立，有时还需要昂贵的实验或很长的反馈周期；训练系统不可能每产生一次候选研究，就立刻获得一个充分可信的最终答案。

研究团队尝试在这样的条件下，让当前模型同时负责完成研究任务、修改团队工作计划和比较研究成果。论文把这种安排称为 Homogeneous RSI（同源模型的递归自我改进）：同一代语言模型承担任务执行者（Executor）、流程优化者（Optimizer）和成果评价者（Evaluator）三种职责。它们在运行时可以是不同的 Agent 实例，但使用相同一代模型的权重。

Executor 负责产生研究成果；Optimizer 负责修改分工与工作流程；Evaluator 则比较成果，决定哪种尝试更值得保留。研究团队想知道，模型能否借助集体协作，产生足以训练自身的经验。

一种常见的训练思路，是让外部教师模型或可靠评分规则为样本提供监督。MASS 的主要训练循环则没有一个始终在外部、能力明确更强的教师替它筛选正确经验。执行、评价和下一轮训练数据选择都要依赖当前这一代模型。这为实验提供了动机，也留下了一个风险：如果不同 Agent 共享同一种判断盲点，会发生什么？

二、MASS 的第一步：让模型寻找更好的团队工作方式

MASS 的第一步是在模型权重不变的情况下，尝试找到一种更好的团队工作方式。只有找到相对有效的协作方案后，研究团队才会收集执行记录、用于下一步训练。

研究团队使用 qwen-code 作为 Agent 的工作环境，让模型能够调用工具、处理文件和运行程序。在团队内部，一个总协调 Agent（Orchestrator）负责向多个执行子任务的 Agent（Subagent）分配工作、收集结果，再把代码、实验文件和报告整合起来。

但研究人员没有停留在“数据科学家”“建模专家”“审稿人”之类的角色分配。仅仅告诉 Agent 扮演什么专家，并不能解决真正的协作问题：上一环节输出不完整怎么办？下一个 Agent 应该检查哪些内容？结果有问题时，是继续向下执行，还是返回某一步重做？

在 MASS 之前，同一条研究路线有一项 RHI（Recursive Harness Self-Improvement）工作，研究能否在不改变模型权重的情况下，仅靠调整 Agent 的外部工作安排来改善表现。MASS 借用了这种表示方法，把团队的 Workflow（工作流程与分工计划）写成可编辑的文本。这里的 Workflow 是 Harness 的一部分；Harness 泛指围绕模型安排工具、上下文、执行控制与协作的外部机制。

Role 说明每个 Agent 负责什么；Instruction 说明具体做什么；Contract 规定必须交付哪些信息与检查结果；Hop 描述调用顺序，以及什么时候需要返回先前的步骤。

图 1｜Harness 的四个组成部分（The RHI harness consists of roles, instructions, contracts, and workflow hops）。来源《Multi-Agent Self-Supervision》（2026），Sakana AI 博客。

回到第一节的金融研究任务。为了预测股指收益并回测交易策略，团队必须先准备市场数据、提取预测特征，再训练模型和测试策略。研究团队让模型尝试不同的分工与交接方案，再通过比较执行成果筛选相对更好的安排。论文展示的一份经过搜索的金融任务 Workflow 中，不同 Agent 分别负责数据准备、特征构建、模型训练、回测、审计和报告生成。

在这份 Workflow 中，数据处理 Agent 不能只交出清洗后的数据，还要按 Contract 的规定返回验证报告。报告包含几项是／否检查，让下游 Agent 知道数据是否满足进入下一步的条件：

这样，后续建模 Agent 接收到的，不仅是文件，还有判断文件是否适合继续使用的检查依据。如果检查不通过，工作流程便可以安排重新处理，而不是把有问题的数据直接交给下一环节。不过，Contract 规定的是必须交付哪些检查结果，并不能单独保证这些检查执行得正确。

这种设计把原本隐含在“数据已经准备好”中的假设，变成了后续 Agent 可以读取和使用的交付要求。Contract 负责规定需要返回什么，Hop 则决定这些检查结果如何改变接下来的执行路径。两者结合，才可能让多个 Agent 的分工不只是看起来合理，而是在执行过程中真正衔接起来。

好的协作不仅要决定谁来做事，还要决定每个环节应当留下什么证据，以及下一个环节怎样使用这些证据。

那么，Workflow 怎样变好？

对同一项任务，研究团队先保留一个当前评价最好的工作计划作为比较基准。Executor 所协调的 Agent 团队按照新候选 Workflow 执行，生成代码、实验结果和报告；Evaluator 将这次的成果与当前方案的成果进行比较，给出偏好和理由；Optimizer 再根据反馈修改 Role、Instruction、Contract 和 Hop。如果新方案得到更好的评价，就将它保留为新的 Champion Workflow（当前最优候选）。之后继续尝试新的修改。

这意味着系统并非只让 Evaluator 对一份答案说“好”或“不好”，而是把评价转化为下一轮搜索的输入。一次 Workflow 修改是否有效，需要让 Executor 真正重新做一遍任务，才能看到它对最终研究成果的影响。

在这个搜索过程中，模型权重保持不变。Champion 只是当前模型根据比较结果选出的较优候选，并不意味着它已经通过独立科学验证。

一条来自 Workflow 搜索的线索

Workflow 经过多轮修改后，研究人员想知道：具体任务的信息，更多地体现在这四类文本的哪一部分？但在看结果之前，有一个重要前提：Optimizer 使用的提示词本来就强调优先改进 Contract 和 Hop 所规定的交接与调用关系。 因此，之后观察到的变化不能被当作模型完全自发发现了二者的重要性。

研究团队用文本 Embedding（将文字表示为向量）和互信息估计，衡量四类 Workflow 文本与任务描述之间的统计关联；这里分析的是文本与任务描述的关系，并非 Agent 实际执行时交换了多少信息。结果显示，随着搜索推进，Role 和 Instruction 的任务特异性整体下降，而 Contract 与 Hop 的任务特异性增加。

图 2｜任务信息向 Contract 与 Hop 转移（Task information shifts toward contracts and call order）。四类 Workflow 信息随搜索轮次的变化。来源：《Multi-Agent Self-Supervision》（2026），Sakana AI 博客 Figure 5

角色描述逐渐通用，交付要求与环节衔接却越来越具体。换句话说，随着 Workflow 被修改，系统对“谁是专家”的描述没有一直变得更长，却花了更多文本说明“每一步应该交付什么、怎样进入下一步”。

这给 Agent 工程提供了一条线索：与其不断加长角色说明，不如检查协作中哪些交付条件和调用关系需要写得更具体。不过，这是一项对 Workflow 文本变化的描述性分析，不能单凭这些统计关联，认定 Contract 和 Hop 就是任务表现改善的原因。

三、从优化 Workflow 到更新模型权重：MASS 怎样形成递归循环？

到这里，MASS 仍然是一个自动搜索 Agent Workflow 的系统。如果去掉优化后的计划，模型未必学会了如何自己组织类似的协作。

研究团队要继续做的是，把团队已经产生的经验用于训练。

这一步改变了技术问题的性质。搜索 Workflow 只是在当前模型之外找到更好的组织方式；如果要让模型在未来面对新任务时也更可能采用这样的协作方式，就必须将执行过程转换成可供参数训练学习的监督数据。

MASS 由两个循环组成：内层循环在权重不变时优化 Workflow；外层循环从筛选出的协作轨迹中学习，更新共享模型参数。

图 3｜MASS 的递归自我改进框架。上方展示在共享模型权重不变时，Executor、Evaluator 和 Optimizer 如何优化多 Agent Workflow；下方示意通过优化后的执行经验更新模型，并进入下一轮迭代。来源：《Recursive Self-Improvement through Multi-Agent Self-Supervision》（2026），论文 Figure 1。

实验使用 Qwen3.6-27B，设计了金融、机器人、药学方向的 12 项合成研究任务：9 项用于训练，3 项留出测试。由于其中 1 项训练任务没找到合格的改进 Workflow，最终有 8 项任务提供训练数据。

内层为某项任务选出 Champion Workflow 后，研究团队让 Agent 团队按照这份工作计划，独立重复执行同一任务 18 次。这样做是因为即使团队计划相同，不同次执行也可能产生不同代码、实验和报告，成果质量未必一致。

每次执行都会留下研究成果，以及一份 Trajectory（执行轨迹）：Orchestrator 怎样拆解和委派任务，Subagent 如何调用工具、处理文件、返回结果，以及团队怎样整合交付物。研究团队不仅要挑最终报告，也要挑出值得模型学习的工作过程。

随后，当前模型以 Evaluator 的身份两两比较这些成果。研究人员再用 Bradley–Terry 模型（一种把两两比较结果汇总成相对评分的统计方法）整理偏好、为不同执行结果排序。每项任务最多保留 16 条执行轨迹：排名靠前的 15 条用于训练，第 16 条用于训练过程中的验证。首轮训练最终使用了来自八项任务的 119 条训练轨迹；比预期少的一条，是因为一次执行提前终止。

这里筛选的不是事先由人写好的正确答案，而是当前模型相对更偏好的完整执行过程。于是，哪个研究尝试被选中，不仅影响当下的实验记录，也决定下一代模型会接触什么样的工作经验。

研究人员将这些轨迹整理成监督微调（SFT）数据，再通过 LoRA（一种只调整部分可训练参数的微调方法）更新共享模型。与只训练模型生成最终报告不同，这些数据还包含 Orchestrator 与 Subagent 的对话和工具操作记录，因此能够让模型学习任务组织和具体执行两类行为。

这两类记录并不完全相同。Orchestrator 的轨迹展示如何把任务拆解成若干工作、委派给合适的 Agent、等待中间结果并做整合；Subagent 的轨迹则展示如何按照收到的要求独立完成局部工作。它们最终训练的是同一套共享模型，因此模型可能同时学习协作决策与具体任务执行。

其中一个关键处理是：整理训练数据时，研究人员把 Orchestrator 最初收到的工作计划和固定执行指令移除，只留下原本的任务要求。 如果保留整份计划，模型可能只是在学习遵照计划执行；移除这些预制指令，则能检验模型是否从实际发生的协作中学到了组织任务的行为。轨迹里已经发生的委派和交接信息仍然保留。模型因此能够学习协作是如何进行的，而不是始终依赖一份现成计划。

这一设计并不能保证模型一定学会了通用的组织能力，但它使后面关于“没有显式 Workflow 时，模型是否会主动协作”的行为测试变得有意义。

完成第一轮训练后，新模型不仅成为下一轮 Executor，也重新担当 Optimizer 和 Evaluator。它继续搜索 Workflow、比较研究成果、筛选轨迹，再训练出下一代模型。论文将初始模型和两轮更新依次记为 L⁽⁰⁾、L⁽¹⁾、L⁽²⁾。

因此，MASS 不只是 Prompt 优化。内层搜索修改的是 Workflow，外层 SFT 则实际改变了模型权重。

但这也不意味着整个科研系统由模型完全自主设计。任务、运行环境、搜索规则与训练流程由研究人员预先建立；12 项合成任务的描述也由 GPT-5.5 在实验前生成。MASS 验证的是在这些条件之内，模型能否利用自身协作与评价信号完成连续更新。

四、两轮之后，模型究竟学会了什么？

研究人员从四个方面检查变化：研究任务成绩、主动协作行为、其他角色的能力，以及多 Agent 轨迹的训练效果。四组证据衡量的是不同事情，不宜简单合成一句“模型能力提高了多少”。

1. 研究表现：有提升，也有没提升的任务

先区分两个评价环节：在 MASS 训练过程中，同一代模型负责挑选要学习的执行轨迹；而论文报告性能时，研究人员另外请 GPT-5.5、Claude Opus 4.8 等模型比较不同版本的研究成果。后者不参与训练轨迹筛选。

在三个留出的合成研究任务上，第一轮模型对基座模型的外部评价胜率为 53.9%，第二轮达到 69.9%；第二轮模型相对第一轮模型的胜率为 60.8%。这里的胜率是外部模型在两份成果之间作出偏好选择的比例，并不是科研任务的客观成功率。

为了检查这种改进能否延伸到合成任务之外，研究团队又使用了公开 Benchmark。这些是其他研究者提出的标准化测试，不是前面那 12 项合成任务。研究团队既看模型能拿到多少分，也看它为得到这些分数生成了多少输出 Token（文本量）。其中，MLR-Bench、DSBench、ScienceAgentBench 和 AstaBench 涵盖机器学习、数据科学和科学研究型 Agent 任务；第二轮模型在这四项测试上的单位输出 Token 得分是基座模型的 1.20—1.60 倍。这衡量的是得分与输出 Token 的关系，而不是绝对得分都提高了同样倍数：例如 DSBench 原始得分从 0.473 到 0.482，ScienceAgentBench 从 28.8% 到 31.7%。

图 4｜公开 Benchmark 表现（Public benchmark performance）。比较基座模型和两轮训练模型的得分与输出 Token；研究类任务与软件工程任务的变化方向不同。来源：《Recursive Self-Improvement through Multi-Agent Self-Supervision》（2026），Sakana AI 博客 Figure 3。

相反，在 Terminal-Bench 2.0 和 SWE-bench Verified 这两项软件工程测试上，第二轮模型的单位输出 Token 得分只有基座模型的 0.96 和 0.94 倍。

从这些测试看，MASS 的收益更多出现在研究类任务上，没有同步推广到所有软件工程测试。更准确的说法是：模型在若干研究类评测上的得分与输出 Token 之比改善了，而不是模型的整体科研能力已经提高了 1.20—1.60 倍。

2. 协作行为：模型开始自己委派工作

研究人员还做了一组只提供任务描述、不提供优化后 Workflow 或额外组队指令的行为测试。在每代模型各 110 次执行中，成功委派 Subagent 的次数，从基座的 1 次增加到第一轮后的 48 次、第二轮后的 87 次；跨 Agent 的代码交接则从 1 次增加到 42 次、83 次。

论文对这两个行为给出了可操作的定义：成功委派意味着 Orchestrator 调用了 Subagent 且没有出现工具错误；代码交接意味着某个 Subagent 成功读取了另一个 Subagent 已写入的 Python 文件。

因此，这些数据记录的是实际发生的工具调用与文件交接，而不是模型在回答中声称自己“进行了团队协作”。研究团队也核查了训练轨迹，确认相应行为存在于 SFT 数据中。

论文据此认为，外部 Workflow 所组织的一部分协作行为，经过训练开始成为模型在执行时更倾向于主动采用的方式。

附录 G.2 还有一个关键对照：研究人员不提供优化后 Workflow，而是给基座模型一套通用组队指令，让它自行选择三至六种专家角色，并遵循统一的执行与交接规则。基座模型 110 次执行全部成功委派 Subagent，其中 103 次完成跨 Agent 代码交接。这说明基座模型原本就有相应能力；训练后的变化，主要体现为没有明确协作指令时使用这些能力的频率增加。

这个变化与第一组性能结果互相补充：得分告诉我们一些最终成果获得了更好的评价，行为测试则让我们看到模型完成任务的方法发生了什么变化。它并没有证明每一次新增委派都更合理，但至少把“模型从协作中学习”落到了可观察的执行行为上。

3. 角色泛化：学过执行轨迹，也影响了优化和评价

MASS 的 SFT 主要学习任务执行轨迹，没有单独为 Optimizer 和 Evaluator 提供专门的训练目标。但更新后的模型，在这两个角色上也出现了变化。

为单独观察“工作计划本身是否变好”，研究人员先让训练前和第一轮训练后的模型分别搜索 Workflow，再把两套 Workflow 都交给同一个基座模型执行。这样最终执行者不变，比较的就是使用不同 Workflow 产生的成果。

在这项对照中，第一轮模型搜索出的 Workflow，相对基座模型搜索出的 Workflow，获得了 64% 的外部评价胜率。但两套计划最初是在不同版本的 Executor、Optimizer、Evaluator 共同参与下找到的，因此无法把这 64% 的优势单独归因于 Optimizer。

研究人员还让不同版本的内部 Evaluator 与外部评审分别比较研究成果，统计双方作出相同偏好判断的比例。模型自身的评价判断与外部强模型判断的一致性，从基座的 73% 提高到第一轮后的 91%，第二轮后达到 93%。

值得注意的是，模型并未接受专门针对评价角色的额外 SFT 目标，却在担任 Evaluator 时与外部判断者更一致；生成 Workflow 的表现也发生了变化。

论文将这种现象视为 Role Generalization 的证据：从团队执行轨迹中学习，可能影响共享模型承担其他工作角色时的表现。这说明评价行为更接近外部评审，但不能直接等同于科学判断一定更正确。

4. 训练信号：多 Agent 轨迹可能更有效

前面比较的是模型生成结果时的输出 Token，这里比较的是微调过程中累计处理的训练 Token。研究团队准备了两类训练数据：一种来自多个 Agent 的协作轨迹（图中 M⁺），另一种来自单 Agent 独立执行的记录（S⁺⁺）。研究人员用它们分别训练模型，再比较任务成果。在这组对照中，使用多 Agent 轨迹的模型处理约 2880 万监督训练 Token 后，对基座模型取得 68.3% 的评价胜率；使用单 Agent 轨迹的另一组模型，处理约 4200 万 Token 后，胜率为 64.0%。

图 5｜单位监督训练 Token 的性能（Performance per supervised training token）。横轴为累计监督训练 Token，纵轴为对基座模型的评价胜率；图中比较多 Agent、单 Agent 和混合数据配置。来源：《Multi-Agent Self-Supervision》（2026），Sakana AI 博客 Figure 6。

论文作者认为，多 Agent 轨迹可能包含比单 Agent 连续执行更丰富的训练信息：既记录怎样完成局部工作，也记录怎样拆分、委派、交接与整合工作。

从训练样本的角度看，多 Agent 系统带来的差异不只是把一次任务拆成更多对话，而是让不同层级的决策同时出现在可学习的序列里。论文把这视为更高监督信息密度的一种可能解释；但这并不意味着所有多 Agent 数据都天然优于单 Agent 数据。

但这不是一个只改变“单 Agent 或多 Agent”这一变量的严格对照：多 Agent 组（M⁺）使用来自八项任务的 119 条轨迹，而单 Agent 对照组（S⁺⁺）使用来自四项任务的 290 条轨迹；两组的任务覆盖、数据构成与采样方式并未完全匹配。因此，这组结果支持多 Agent 轨迹可能带来更好的训练效率，却不能把差异全部归因于轨迹结构。

此外，监督训练 Token 效率不等于整个系统的计算效率。上述 2880 万与 4200 万 Token 是训练过程中累计处理的监督 Token，并非去重后的原始数据量；它们也未计入生成轨迹、搜索 Workflow 与评价结果的全部成本。论文还报告，多 Agent 执行平均产生约 2.4 倍的 Token。这组实验尚不能证明端到端计算成本更有优势。

综合这四组实验，MASS 不仅让模型在部分任务上获得更好的评价，也改变了它执行任务的方式，并观察到这种训练对优化和评价角色的影响。接下来需要看的是：这些变化能否形成一个有效的自我改进过程。

五、一个容易被忽略的发现：评价更好，为什么改进仍然可能很慢？

谈到 AI 自我改进，我们很自然会问：模型是否有能力判断哪份研究成果更好？

MASS 的一项消融实验却指出，另一项能力同样关键：即使得到质量更高的反馈，Optimizer 也未必知道下一步应该怎样修改 Workflow。所谓“消融”，就是研究人员有意替换或改变系统中的某个环节，观察结果有什么不同。

这是论文为分析不同角色而额外进行的对照，不是 MASS 主要训练循环中改用 GPT-5.5 监督模型。为了区分这两个角色的影响，研究人员固定 Executor 为基座模型，比较三类配置：Optimizer 和 Evaluator 都使用基座模型；只把 Evaluator 换成 GPT-5.5；或者同时把两者换成 GPT-5.5。

图 6 的纵轴统计的是：在全部 12 项合成任务里，有多少项任务在截至某一搜索轮次时，至少找到过一份“合格”的 Workflow。

这项实验将“合格”定义为：候选 Workflow 产生的成果与未使用 Workflow 的基座成果相比，GPT-5.5 和 Claude Opus 4.8 各在三个随机种子下作出评审判断，同一对成果获得的六个判断全部偏好候选成果。这里不是六次独立的任务执行。

图 6｜Workflow 搜索消融实验（Workflow-search ablations）。横轴为搜索轮次，纵轴为累计找到至少一个达到外部评价标准的 Workflow 的任务数；比较不同 Optimizer／Evaluator 配置。来源：《Multi-Agent Self-Supervision》（2026），Sakana AI 博客 Figure 7。

同时升级 Optimizer 和 Evaluator 的配置，到第 5 次搜索迭代已为全部 12 项任务找到过满足这一标准的改进 Workflow。仅升级 Evaluator 的帮助较小；完全使用基座模型的配置，到第 13 次迭代也为 12 项任务中的 11 项找到过合格候选，但搜索速度更慢。

这里统计的是每项任务是否曾经找到过一个合格候选，不是说每次修改都能继续提高质量。实验也不能把改进全部单独归因于 Optimizer，因为最强配置同时改变了两个角色。

论文作者由此提出一个有条件的判断：在他们测试的搜索预算和任务设置下，Optimizer 的能力可能是比单纯改善 Evaluator 更突出的瓶颈。

这个区别体现在工作内容上：Evaluator 负责比较研究成果、指出差距；Optimizer 则需要把反馈转化为下一轮的具体修改，例如重新分配任务，或补上某个环节必须交付的检查结果。能够判断哪份成果更好，不等于知道怎样生产出更好的成果。

论文还观察到，Workflow 搜索并非每轮都稳定向好。某个候选曾得到较高评价，下一次修改仍可能让表现变差；修改文本的幅度大小，也与结果变化没有简单对应关系。因此，改进速度不仅取决于反馈是否准确，还取决于 Optimizer 能否提出值得检验的新安排。

但即使 Optimizer 能不断提出更好的候选，MASS 还要依赖 Evaluator 判断哪些候选值得保留、哪些执行轨迹应该进入训练。改进方案由模型提出，训练经验也由模型自己筛选；如果筛选错了，问题就可能从一次执行延续到下一代模型。

这才把讨论带回标题里更难回答的部分：当裁判也是选手，我们怎样知道它选择的经验真的值得学习？

六、如果裁判也是选手，它怎么知道自己真的进步了？

这里可以用前面的金融回测任务构造一个风险情境。这是假设，并非论文报告的实际失败案例。 如果模型没识别出数据泄漏，却反复把相关结果评为优质研究，那么带有缺陷的执行轨迹就可能进入下一轮训练，使模型更熟练地重复这种做法。

在 Homogeneous RSI 中，Executor、Optimizer、Evaluator 虽然承担不同职责，却共享同一代模型的能力与局限。某种错误判断若同时影响研究成果和结果筛选，就可能通过训练继续保留。论文作者明确讨论了这种共享盲点的风险。

前面介绍研究成绩时提到的外部评审，正是为这个问题设置的一道独立观察环节：研究团队让 GPT-5.5 与 Claude Opus 4.8 比较不同代模型的研究成果，但不把这些外部判断放入 MASS 的主要自监督训练循环。这样，挑选训练数据时的内部模型偏好，与论文报告性能时的外部比较至少不是同一套评分。

不过，外部模型更偏好某份报告，并不能替代真实实验、形式化验证或领域专家对结论的核查。GPT-5.5 还参与了合成任务描述的生成和后续外部评审；这一事实不能证明评价受到偏差影响，但提醒我们：外部模型评审也并非完全独立于任务设计来源。

这也是评价一致性从 73% 增长到 93% 必须谨慎理解的原因：它衡量的是与外部评价者的判断是否接近，而不是已经验证研究结论的真伪。外部模型可以帮助检查评价是否偏离主流模型的判断，但当任务本身缺少确定答案时，多个模型作出一致选择，仍有可能共享同一个错误前提。

其他实验边界也需要放在这里一起看。MASS 只完成两轮更新，训练数据主要来自数量有限的合成研究任务；公开 Benchmark 显示部分领域改善、部分领域未改善。它尚未证明改进能够长期持续，更没有证明改进速度会不断加快。研究团队已经公开代码，为后续复现和更长期的实验提供了基础。

因此，MASS 所证明的范围应该准确表述为：在研究人员设定的环境与训练流程中，模型能够利用自身多 Agent 协作产生的数据完成两次权重更新，并在一组测试上呈现可观察的改善。 这是一项关于递归自监督的实验进展，还不能等同于 AI 已经解决开放式科学研究的可靠监督问题。

七、从 MASS 往前看：Harness 会成为模型的训练来源吗？

第二节提到的 RHI，是理解 MASS 研究脉络的重要线索。第一作者 Hyunin Lee 在 2026 年 6 月的 RHI 研究博客中，已经讨论过模型变强后，外部 Harness 是否还有存在价值。

RHI 实际研究的范围比较具体：在模型权重保持不变时，修改由 Role、Instruction、Contract、Hop 构成的文本 Workflow，观察 Agent 的执行表现能否改善。它并没有自主重写整个 Agent Runtime，也没有把执行轨迹用于训练下一代模型。

图 7｜RHI 的 Harness 自我改进循环（The Recursive Harness Self-Improvement loop）。在模型权重固定时，比较相邻执行结果，根据反馈迭代修改 Harness。来源：《Multi-Agent Self-Supervision》（2026），Sakana AI 博客。

RHI 博客当时已经提出 Harness-in-the-loop Learning：更好的 Harness 不仅改善当下执行，也可能产生更有价值的训练轨迹，使模型与 Harness 形成共同演化的循环。换句话说，让 Harness 成为模型训练来源，是原作者此前就提出的方向，而不是 MASS 之后才出现的外部解读。

RHI 实验了这条思路的前半段：如何通过优化 Workflow 改善执行结果。MASS 则进一步把优化后的执行轨迹用于 SFT，让更新后的模型进入下一轮协作。因此，二者的区别并不是有没有 Workflow，而是 Workflow 产生的经验有没有进入模型训练。

在这条研究路线中，Harness 不再只是提高某一次 Agent 执行质量的工具。它还决定团队如何分工、留下什么中间记录、哪些过程可以被整理为下一轮训练数据。MASS 的实验提示，优化 Harness 可能同时影响当前任务的执行结果，以及后续模型能够学习到的协作过程。不过，这并不意味着任何 Harness 优化都能产生同样的训练收益。

结语

随着部分协作策略通过训练进入模型权重，我们可能需要重新划分模型与 Harness 的职责。有些能力更接近模型能够习得的工作策略；另一些机制的价值，则在于提供独立的执行约束和可检查的证据。

模型内化一种行为，与系统保证这种行为可靠发生，是两个不同层次的问题。 前者可以通过训练提高模型主动采用某种方法的概率，后者仍然需要独立的验证设计。

因此，未来需要讨论的并非简单的“模型会不会吃掉 Harness”，而是哪一部分原先写在外部流程里的经验，可以逐渐成为模型自身的工作能力；又有哪些机制因为承担着验证和约束的职责，不能仅凭模型已经学会相似行为就被取消。

另外，回到标题：AI 既当研究者，又当裁判，还能教会自己进步吗？

MASS 在两轮受控实验中给出了初步肯定的答案：多 Agent 团队形成的协作经验，可以被筛选为训练数据，并改变共享模型后续执行任务的方式。但这套机制能否持续产生正确而非只是更受偏好的经验，仍然是开放问题。

当 AI 开始从自己的研究过程中学习时，真正需要关注的，不只是它能生成多少新尝试，而是它凭什么决定哪些尝试值得成为下一轮的起点。

参考资料