Sakana AI a publié le 11 octobre 2026 la méthode MASS, développée avec des chercheurs de l'UC Berkeley. Elle donne à l'auto-amélioration récursive une nouvelle source de matière : au lieu de laisser un agent unique tâtonner seul, le même modèle travaille d'abord en équipe, puis la meilleure expérience de l'équipe est distillée dans les poids du modèle. MASS signifie Multi-Agent Self-Supervision. Les expériences utilisent Qwen3.6-27B comme modèle de base, dans l'environnement d'agent de code qwen-code.
Pourquoi un modèle s'enseignerait lui-même
Les tâches de frontière ont une propriété gênante : plus le travail est difficile, moins il y a de personnes capables de juger s'il est bien fait. Le code peut être vérifié par des tests, mais la qualité d'un rapport de recherche n'a le plus souvent aucune règle de notation automatique. MASS adopte donc un dispositif extrême : exécutant, optimiseur de flux et évaluateur sont un seul et même modèle. Il rend le devoir, repense la répartition du travail et note la production de ses coéquipiers. La question que les auteurs ont voulu tester est de savoir si cette boucle dans un même corps progresse réellement, tour après tour, sans superviseur plus fort. Elle forme un contraste net avec l'étude mesurée où les équipes multi-agents coûtaient 5,1 fois plus cher sans gain de qualité notable : cette étude demandait si le travail d'équipe à l'exécution vaut son prix, MASS demande si l'expérience d'équipe peut se déposer dans la capacité propre du modèle.
Comment tournent les deux boucles
MASS fonctionne en deux couches. La boucle interne optimise la division du travail : un orchestrateur répartit une tâche entre sous-agents, et le flux de travail précise la responsabilité de chaque rôle, son contrat de livraison et l'ordre des appels. L'évaluateur compare les résultats produits par différents flux, conserve le meilleur du moment, et l'optimiseur révise la répartition pour l'essai suivant. La boucle externe s'occupe de l'apprentissage : le meilleur flux est exécuté à plusieurs reprises, les trajectoires d'exécution les mieux notées par le modèle lui-même sont retenues, et le modèle partagé est affiné par LoRA. Le modèle mis à jour reprend ensuite les trois sièges pour le tour suivant. Les tâches d'entraînement proviennent d'un ensemble de recherche synthétique couvrant la finance, la robotique et la pharmacie : 12 tâches au total, dont 3 réservées aux tests et jamais entraînées.
Le bilan après deux tours
- Sur les 3 tâches de test réservées, le modèle du deuxième tour a atteint un taux de victoire de 69,9 % contre le modèle de base, contre 53,9 % après le premier tour.
- Sur MLR-Bench, DSBench, ScienceAgentBench et AstaBench, le score par jeton de sortie du modèle du deuxième tour est monté à 1,2 à 1,6 fois le niveau du modèle de base.
- Le modèle du premier tour a atteint 68,3 % de victoires avec 28,8 millions de jetons supervisés ; le groupe témoin entraîné uniquement sur des trajectoires d'agent unique en a utilisé 42 millions pour 64,0 %. Les trajectoires d'équipe portent un signal plus dense — la preuve la plus concrète que MASS apporte.
- L'accord de l'évaluateur avec les juges externes (GPT-5.5 et Claude Opus 4.8, maintenus entièrement hors de la boucle) est passé de 73 % à 93 %.
L'eau froide, versée par les auteurs eux-mêmes
Le bilan a un revers clair. Le même modèle du deuxième tour n'a obtenu que 0,96 et 0,94 fois le score du modèle de base par jeton sur Terminal-Bench 2.0 et SWE-bench Verified : les gains ne se sont pas transférés aux tâches d'ingénierie logicielle. Les auteurs évoquent l'absence d'échantillons de code dans le mélange d'entraînement, mais le point de fond demeure : l'ampleur de l'auto-amélioration dépend fortement de la distribution des tâches. Le risque majeur est écrit dans la conclusion de l'article : quand l'exécution, l'optimisation et l'évaluation partagent la même paire d'yeux, des angles morts communs peuvent être inscrits dans la génération suivante comme s'il s'agissait de progrès, et ils deviennent plus difficiles à repérer à chaque tour. Les ablations montrent aussi que le goulot de la boucle se situe plus souvent chez l'optimiseur que chez l'évaluateur : un retour précis ne sert à rien si la répartition du travail ne peut pas être repensée autour.
MASS n'a tourné que deux fois, loin d'un modèle qui évoluerait en continu par lui-même. Mais ce travail transforme une vision vague en expérience reproductible : la valeur de la collaboration d'équipe se voit aussi au moment de l'entraînement, pas seulement à l'exécution, et il met sur la table les risques du jugement dans un même corps. La suite à surveiller : si les gains survivent aux tours trois et quatre, et si des mécanismes de contrôle externes peuvent suivre le problème des angles morts.
