模型自己当评委容易越评越偏：让它带一支虚拟小队，两轮后每输出词元得分升到基线的1.2至1.6倍

模型不再只靠自己一个人解题和打分，而是先组出一支虚拟子代理小队，让小队去完成任务，再从这些执行里学习。 此前的自监督循环里，模型既是优化者又是评估者，处在同质回路中，容易把自己的盲点当成正确而反复强化。 在一个27B开放权重模型上跑了两轮，任务为合成的开放式研究任务，第二轮之后每输出词元得分达到基线的1.2至1.6倍，覆盖四个研究基准。

做法是让同一个共享模型扮演多个虚拟子代理，先搜索出更好的多代理工作流，再用自己的判断挑出最好的那套。 多代理自监督（MASS）把挑选出的最佳小队的执行轨迹作为训练数据，把整支小队的集体经验蒸馏回共享模型。 训练数据只取自被优化者的解题数据，优化者和评估者的能力却都随之提升，说明角色能力可以在这个循环里泛化。

这项工作展示的范围是一个27B开放权重模型、两轮循环、合成的开放式研究任务，以及四个研究基准上的每输出词元得分。它面向关心递归自我改进与多代理训练的研究人员和工程师，讨论的是同质回路中自监督能否带来有效提升。作者提出社区需要仔细研究同质递归自我改进以支持AI安全，这是材料中明确给出的下一步方向。

作者指出，当模型同时是自己的评估者时，共享盲点可能让错误被当作进展接受，并通过训练被强化。他们据此认为，要让AI安全地超越人类专长，需要理解这类失败，并保留检测和干预的有效手段。这些是作者提出的开放问题，材料没有给出已经解决它们的证据。