Sakana AI presentó el 12 de octubre MASS, un método de investigación en el que el mismo modelo de lenguaje resuelve tareas, mejora procesos y evalúa resultados. Busca convertir el trabajo de un equipo de agentes en material de entrenamiento para el modelo que comparten. No es un nuevo producto de consumo ni una prueba de mejora ilimitada sin supervisión externa.
El experimento partió de Qwen3.6-27B, un modelo de pesos abiertos con 27.000 millones de parámetros. Los investigadores realizaron dos ciclos de entrenamiento. Tras el segundo, la puntuación por token de salida alcanzó entre 1.2 y 1.6 veces el nivel inicial en cuatro pruebas de investigación. La métrica combina calidad y volumen de salida; no significa que el tiempo de ejecución disminuyera en esa proporción o que el sistema sea 1.6 veces más inteligente en todo.
Cómo un equipo enseña a su modelo compartido
Primero, el modelo explora maneras de repartir tareas, intercambiar información y revisar resultados entre agentes. Los pesos permanecen fijos durante esta búsqueda. El evaluador compara resultados y explica cuál es mejor; el optimizador adapta el proceso. Así, la organización puede mejorar antes de modificar el propio modelo mediante más entrenamiento.
Después, el sistema aprende de registros de ejecución seleccionados: conversaciones, llamadas a herramientas y resultados del equipo. El modelo actualizado vuelve a desempeñar los tres papeles en el ciclo siguiente. No equivale a pedir a un chatbot que se revise: combina una búsqueda sistemática del proceso con cambios en los pesos, en lugar de reformular una respuesta dentro de una conversación.
El resultado interesante y sus límites
Las tareas sintéticas abordaban finanzas, robótica y farmacia. Jueces externos basados en otros modelos evaluaron los resultados, sin introducir sus puntuaciones en el ciclo de aprendizaje. Esta separación permite comprobar si la mejora también se aprecia fuera de la autoevaluación. Aun así, la valoración de otro modelo no convierte un resultado en verdad científica ni sustituye los experimentos adecuados.
La generalización fue desigual. Mejoró la puntuación por token en MLR-Bench, DSBench, ScienceAgentBench y AstaBench. En Terminal-Bench 2.0 y SWE-bench Verified, las proporciones fueron 0.96 y 0.94 respecto al punto de partida. El entrenamiento no mejoró todas las tareas. Los equipos deberían evaluar sus usos concretos, sin asumir que una mejora en investigación implica mejores resultados en cualquier trabajo de programación.
El riesgo principal nace de la misma característica que permite el experimento: quien resuelve y quien juzga comparten modelo, errores y posibles puntos ciegos. Entrenar sobre un error bien puntuado podría reforzarlo. MASS ofrece una forma práctica de investigar este ciclo. Su valor actual reside en el método y el código publicado, junto con pruebas independientes continuas, no en prometer que un agente ya puede supervisar solo su progreso.