Sakana AI MASS: 모델 하나가 팀을 꾸려 스스로 학습 데이터를 만드는 자기개선 연구
무엇인가요
MASS(Multi-Agent Self-Supervision)는 모델 하나가 문제를 푸는 서브에이전트 팀, 팀의 작업 방식을 고치는 최적화 역할, 결과를 채점하는 평가 역할을 모두 맡는 방법이에요. 더 나은 팀 워크플로를 찾은 다음 가장 잘한 팀의 작업 기록으로 모델을 다시 학습(fine-tuning)시켜서 팀의 경험을 모델 안에 넣어요. 오픈 웨이트 Qwen3.6-27B로 실험했고 코드도 공개했어요.
왜 중요한가요
두 번 반복하자 보류된 연구 과제에서 기본 모델 대비 승률이 69.9%업체 주장까지 올랐고 출력 토큰당 점수는 4개 벤치마크에서 1.2~1.6배업체 주장였어요. 단일 에이전트 기록보다 멀티 에이전트 기록이 적은 데이터로도 더 효과적이었다고 해요. 사내 에이전트 로그를 학습 데이터로 다시 쓰려는 팀이라면 참고할 만한 결과예요.
완성도
Research 연구아직 연구 단계예요. Terminal-Bench 2.0(0.96배)과 SWE-bench Verified(0.94배)업체 주장에서는 오히려 조금 떨어졌고 모델이 자기 결과를 채점하면 같은 맹점을 강화할 수 있다고 저자들도 경고했어요. 저장소에는 라이선스 표기가 아직 없어요.
앞으로 이렇게 지켜보세요
- 라이선스 표기:
SakanaAI/mass저장소에 라이선스 파일이 추가되는지 확인해요. - 후속 버전과 재현 결과: arXiv 논문 개정판과 GitHub 저장소 업데이트에서 Terminal-Bench·SWE-bench 하락이 개선되는지 봐요.
- 다른 모델로의 확장: Sakana AI 연구 페이지에서 Qwen3.6-27B 외 모델 실험이 나오는지 지켜봐요.