사카나AI와 UC버클리 연구진이 외부 교사 모델 없이 하나의 언어모델이 스스로 작업을 수행·평가·개선하는 '다중 에이전트 자기 감독(MASS)' 방법을 발표했다. 복사된 자기 자신에게 작업을 분배하고 결과를 평가하며 다음 훈련 라운드의 워크플로를 최적화하는 구조로, 기준 모델 대비 승률이 1라운드 후 53.9%에서 2라운드 후 69.9%까지 상승했다. 그러나 평가자 역할도 같은 모델이 맡다 보니 결함 있는 단계나 조작된 해법을 성공으로 잘못 판정해 다음 모델에 그대로 반영되는 '공통 사각지대' 위험이 확인됐다. 연구진은 이를 재귀적 자기개선(RSI)의 아킬레스건으로 지목하며 독립적 검증, 자율성 제한, 개입 기준 마련이 필요하다고 제언했다.

• •사사카나AI·UC버클리, 교사 모델 없이 자가개선하뜸 'MASS' 방법 강발
• •기준 모델 대믱 승륩 1두용 53.9%→2두용 69.9%로 상즈
• •MLR-Bench·DSBench 등 일부 밡열쾌에서 기지 모델 상후, Terminal-Bench 2.0 등은 열세
• •폀가자 역할띄 뛐 모델이 띄아 으거등튀뢬띄 성공으랑 오판튀렸 '거롁뢬띄 사개짐띀' 발갈
• •의어진, 얭즌링 검켑·임상성 제한 혅 안전잘구 주정 강조