Sakana AI hat am 11. Oktober 2026 die gemeinsam mit Forschenden der UC Berkeley entwickelte Methode MASS veröffentlicht. Sie gibt der rekursiven Selbstverbesserung eine neue Materialquelle: Statt einen einzelnen Agenten allein vor sich hin suchen zu lassen, arbeitet dasselbe Modell zunächst als Team, und die beste Erfahrung des Teams wird anschließend zurück in die Modellgewichte destilliert. MASS steht für Multi-Agent Self-Supervision. Als Basismodell der Experimente dient Qwen3.6-27B in der Coding-Agent-Umgebung qwen-code.
Warum sich ein Modell selbst belehren sollte
Grenzaufgaben haben eine unbequeme Eigenschaft: Je schwieriger die Arbeit, desto weniger Menschen können ihre Qualität beurteilen. Code lässt sich per Test prüfen, für die Güte eines Forschungsberichts gibt es meist kein automatisches Maß. MASS wählt deshalb einen extremen Aufbau – Ausführender, Workflow-Optimierer und Bewerter sind ein und dasselbe Modell. Es liefert die Aufgabe ab, entwirft die Arbeitsteilung neu und benotet die Ergebnisse seiner Teamkollegen. Die Autoren wollten prüfen, ob diese Schleife im selben Körper auch ohne stärkeren Aufseher Runde für Runde tatsächlich besser wird. Das bildet einen sauberen Kontrast zu der Messstudie, in der Multi-Agenten-Teams das 5,1-Fache kosteten, ohne dass die Qualität nennenswert stieg: Dort ging es um den Wert von Teamarbeit zur Laufzeit, bei MASS darum, ob Teamerfahrung als eigene Fähigkeit des Modells zurückbleibt.
So drehen sich die beiden Schleifen
MASS läuft in zwei Schichten. Die innere Schleife optimiert die Arbeitsteilung: Ein Orchestrator verteilt eine Aufgabe an Subagenten; der Workflow legt Verantwortlichkeiten, Lieferverträge und Aufrufreihenfolge fest. Der Bewerter vergleicht die Ergebnisse verschiedener Workflows, behält den aktuell besten, und der Optimierer überarbeitet die Aufteilung für den nächsten Versuch. Die äußere Schleife übernimmt das Lernen: Der beste Workflow wird mehrfach ausgeführt, die am höchsten selbst bewerteten Ausführungsspuren werden ausgewählt, und das gemeinsame Modell wird per LoRA feinjustiert. Das aktualisierte Modell nimmt danach wieder auf allen drei Stühlen Platz. Die Trainingsaufgaben stammen aus einer synthetischen Forschungssuite zu Finanzen, Robotik und Pharmazie – insgesamt 12 Aufgaben, von denen 3 für Tests zurückgehalten und nie trainiert wurden.
Die Bilanz nach zwei Runden
- Bei den 3 zurückgehaltenen Testaufgaben erreichte das Modell der zweiten Runde eine Gewinnrate von 69,9 % gegen das Basismodell, nach 53,9 % in Runde eins.
- Über MLR-Bench, DSBench, ScienceAgentBench und AstaBench stieg der Score pro Output-Token des Modells der zweiten Runde auf das 1,2- bis 1,6-Fache des Basismodells.
- Das Modell der ersten Runde erreichte mit 28,8 Millionen überwachten Token eine Gewinnrate von 68,3 %; die nur mit Einzelagenten-Spuren trainierte Kontrolle nutzte 42 Millionen Token und kam auf 64,0 %. Teamspuren tragen ein dichteres Signal – der konkreteste Beleg, den MASS liefert.
- Die Übereinstimmung des Bewerters mit externen Juroren (GPT-5.5 und Claude Opus 4.8, vollständig außerhalb der Schleife) stieg von 73 % auf 93 %.
Das kalte Wasser kommt von den Autoren selbst
Die Bilanz hat eine deutliche Kehrseite. Dasselbe Modell der zweiten Runde erreichte auf Terminal-Bench 2.0 und SWE-bench Verified nur das 0,96- bzw. 0,94-Fache des Basismodells pro Token – die Gewinne übertrugen sich also nicht auf Software-Engineering-Aufgaben. Die Autoren verweisen auf fehlende Coding-Aufgaben im Trainingsmix, doch der tiefere Punkt bleibt: Wie stark Selbstverbesserung wirkt, hängt erheblich von der Aufgabenverteilung ab. Das größere Risiko steht im Fazit der Arbeit: Teilen sich Ausführung, Optimierung und Bewertung ein Augenpaar, können gemeinsame blinde Flecken als Fortschritt in die nächste Modellgeneration eingeschrieben werden – und sie werden mit jeder Runde schwerer zu entdecken. Ablations zeigen zudem, dass der Engpass der Schleife häufiger beim Optimierer liegt als beim Bewerter: Präzises Feedback nützt wenig, wenn sich die Arbeitsteilung damit nicht neu ordnen lässt.
MASS ist erst zwei Runden gelaufen, weit entfernt von einem Modell, das sich dauerhaft selbst weiterentwickelt. Aber die Arbeit verwandelt eine vage Vision in ein reproduzierbares Experiment: Der Wert von Teamarbeit zeigt sich nicht nur zur Laufzeit, sondern auch zur Trainingszeit – und sie legt die Risiken der Bewertung im selben Körper offen auf den Tisch. Spannend wird, ob die Gewinne in Runde drei und vier bestehen bleiben und ob externe Prüfmechanismen mit dem Problem der blinden Flecken Schritt halten.
