Sakana AI informa avances en la auto-mejora recursiva, pero la supervisión sigue siendo una limitación

Sakana AI ha completado dos ciclos de entrenamiento de auto-mejora recursiva mediante inteligencia colectiva, y reporta un mejor rendimiento en investigación pese a depender de un único modelo compartido. Su nuevo método de autosupervisión multiagente, denominado MASS, convierte el trabajo coordinado de agentes en datos de entrenamiento para ese mismo modelo. El resultado no es una explosión autónoma de inteligencia. Es un experimento controlado sobre si los equipos de IA pueden generar lecciones útiles para su modelo subyacente compartido.

El conflicto central reside dentro del ciclo. MASS pide a un modelo que resuelva tareas, organice a sus agentes, evalúe su trabajo y aprenda de los resultados seleccionados. Ese diseño reduce la dependencia de supervisores externos más potentes. También permite que un punto ciego influya en cada etapa.

El experimento parte de Qwen3.6-27B y se centra en tareas de investigación abiertas relacionadas con finanzas, robótica y farmacia. Tras dos rondas, el modelo resultante mejora en varios benchmarks de investigación relacionados. Sin embargo, el rendimiento cae ligeramente en dos benchmarks de ingeniería de software, lo que revela un límite importante de los resultados.

Ese resultado dispar separa a MASS de afirmaciones más amplias sobre la IA autorregenerativa. Sakana AI ha aportado evidencia de que las trayectorias colectivas pueden entrenar un modelo de forma más eficiente dentro de un entorno de investigación definido. No ha demostrado que la mejora recursiva continúe indefinidamente, se transfiera a cualquier ámbito o siga siendo segura sin supervisión independiente.

MASS convierte el trabajo en equipo en una señal de entrenamiento

El cambio importante es que la coordinación multiagente ya no termina cuando se produce una respuesta.

La mayoría de los sistemas multiagente utilizan varias instancias del modelo durante la inferencia. Un orquestador divide una tarea, asigna roles, recopila resultados y compone una respuesta final. La coordinación adicional puede mejorar una respuesta, pero los pesos del modelo subyacente permanecen sin cambios.

MASS traslada ese trabajo al postentrenamiento. Sus agentes generan trayectorias completas que contienen mensajes, llamadas a herramientas, artefactos intermedios y resultados. El sistema clasifica esas trayectorias, selecciona los ejemplos más sólidos y ajusta el modelo compartido con ellos.

Los investigadores denominan a este enfoque autosupervisión multiagente. El mismo modelo de lenguaje actúa como ejecutor, optimizador del flujo de trabajo y evaluador. Cada rol utiliza los mismos pesos subyacentes, aunque instancias separadas del modelo pueden encargarse de distintas partes de una ejecución.

Esta distinción importa. El sistema no combina varios modelos entrenados de forma independiente, con conocimientos u objetivos distintos. Pide a copias de un mismo modelo que se organicen y luego destila su comportamiento seleccionado de vuelta en sus pesos comunes.

El proceso contiene dos ciclos conectados. El ciclo interno busca un flujo de trabajo mejor mientras mantiene fijos los pesos del modelo. El ciclo externo entrena el modelo con trayectorias producidas por el flujo de trabajo seleccionado.

Un flujo de trabajo es un plan basado en prompts para organizar al equipo. Especifica los roles de los agentes, las instrucciones, los resultados requeridos y el orden de la comunicación. MASS puede revisar ese plan sin modificar el modelo durante la búsqueda.

Para cada tarea de entrenamiento, el sistema conserva un flujo de trabajo campeón. Un equipo candidato ejecuta la tarea y el modelo compara su espacio de trabajo con el resultado del campeón. Después, el optimizador utiliza ese juicio para revisar el flujo de trabajo.

Una vez que el sistema encuentra un flujo de trabajo preferido, ejecuta ese flujo 18 veces para cada tarea. El modelo clasifica los espacios de trabajo resultantes mediante comparaciones por pares. Un modelo Bradley-Terry convierte esas preferencias en una puntuación para cada espacio de trabajo.

MASS conserva hasta 16 trayectorias por tarea. Quince pueden aportar ejemplos de entrenamiento, mientras que una se reserva para validación. El texto del flujo de trabajo se elimina del prompt inicial de entrenamiento del orquestador antes del ajuste fino.

Esa eliminación tiene un propósito específico. Anima al modelo a inferir cómo debe organizarse el trabajo a partir de la propia tarea. Los investigadores no se limitan a enseñarle a repetir una estructura fija de equipo.

El ciclo externo utiliza adaptación de bajo rango, o LoRA, que actualiza un conjunto limitado de parámetros del modelo durante el ajuste fino. Tanto las conversaciones del orquestador como las de los subagentes se convierten en objetivos de entrenamiento. El modelo actualizado vuelve entonces como ejecutor, optimizador y evaluador para el siguiente ciclo.

El artículo de MASS se presentó el 8 de octubre de 2026 y describe dos ciclos completos. Sakana AI también publicó una implementación abierta que contiene prompts de tareas, configuraciones de entrenamiento, herramientas de evaluación y documentación del pipeline.

La publicación hace que el experimento central sea examinable. También deja su alcance inusualmente claro. MASS es un pipeline de investigación construido en torno a tareas seleccionadas y actualizaciones controladas del modelo, no un sistema desplegado que se reescribe continuamente.

La auto-mejora recursiva mediante inteligencia colectiva produce avances desiguales

MASS mejora más allí donde sus tareas de evaluación se parecen al trabajo de investigación que generó sus datos de entrenamiento.

El experimento comienza con Qwen3.6-27B dentro de un entorno de agentes de programación. Su conjunto sintético contiene 12 tareas de investigación en finanzas, robótica y farmacia. Cada tarea requiere código, análisis cuantitativo y un informe escrito.

Se designaron nueve tareas para entrenamiento, aunque finalmente solo ocho aportaron datos de entrenamiento. Tres tareas, una de cada dominio, se excluyeron del ajuste fino, la validación y la selección de checkpoints.

Jueces externos midieron el progreso sin participar en el ciclo de entrenamiento de MASS. Sakana AI afirma que GPT-5.5 y Claude Opus 4.8 compararon los espacios de trabajo completados. Sus juicios proporcionaron una evaluación externa de un proceso guiado por lo demás por el modelo Qwen.

En las tres tareas sintéticas excluidas, el modelo de la primera ronda ganó el 53.9 por ciento de las comparaciones frente al modelo base. El modelo de la segunda ronda alcanzó el 69.9 por ciento. También ganó el 60.8 por ciento de las comparaciones frente al modelo de la primera ronda.

Los resultados de las tareas de entrenamiento fueron más sólidos. El modelo de la primera ronda registró una tasa de victoria del 65.6 por ciento frente al modelo base, mientras que la segunda ronda alcanzó el 82.5 por ciento. Esa brecha entre el rendimiento en entrenamiento y en tareas excluidas es esperable, pero sigue siendo importante.

Los benchmarks públicos ofrecen una prueba más amplia. Sakana AI informa que el modelo de la segunda ronda logró entre 1.2 y 1.6 veces la puntuación del modelo base por token de salida. Esas mejoras aparecieron en MLR-Bench, DSBench, ScienceAgentBench y AstaBench E2E-Hard.

Las puntuaciones subyacentes cuentan una historia más detallada. MLR-Bench pasó de 1.71 para el modelo base a 2.25 tras dos ciclos. Su tasa de entrega de artículos aumentó del 57 por ciento al 76 por ciento.

ScienceAgentBench mejoró del 28.8 por ciento al 31.7 por ciento. AstaBench pasó de 0.053 a 0.067, mientras que su tasa de entrega de informes aumentó del 50 por ciento al 76 por ciento.

DSBench avanzó solo ligeramente, de 0.473 a 0.482. Ese pequeño cambio absoluto está detrás de una relación de puntuación por token más sólida porque el cálculo de eficiencia también tiene en cuenta la longitud de la salida.

Dos benchmarks de ingeniería de software retrocedieron. Terminal-Bench 2.0 cayó de 0.375 a 0.352. SWE-bench Verified descendió de 0.626 a 0.611.

Sus relaciones de puntuación por token alcanzaron 0.96 y 0.94 veces los resultados del modelo base. Esos descensos cuestionan directamente cualquier afirmación de que MASS haya producido un modelo generalmente más potente.

La explicación probable es la alineación de tareas. El conjunto de entrenamiento hace hincapié en investigación abierta con código, evidencia e informes. No incluye tareas de ingeniería de software similares a la depuración de repositorios u operaciones de terminal.

Sakana AI sugiere que añadir tareas de ingeniería de software podría abordar esa brecha. Esto sigue siendo una hipótesis hasta que otro ciclo lo pruebe. Ampliar la combinación de tareas también podría crear interferencias entre capacidades, en lugar de mejorarlas de forma uniforme.

El diseño del benchmark público añade otra salvedad. MASS informa la eficiencia como puntuación por token de salida, lo cual es útil para evaluar razonamiento productivo. No incluye todos los costes necesarios para crear esas salidas mejoradas.

La búsqueda de flujos de trabajo, las ejecuciones repetidas, las comparaciones de modelos, la generación de datos y la evaluación consumen computación. Los totales de tokens supervisados reportados también excluyen los tokens de entrada y varios gastos previos.

El resultado es significativo, pero más limitado de lo que sugiere un simple titular sobre eficiencia. MASS parece crear ejemplos de entrenamiento más densos. Determinar si reduce el coste total de desarrollo requiere una contabilidad completa del pipeline de búsqueda y selección.

El mecanismo real es el flujo de información, no más personalidades de agentes

Las mejoras de MASS parecen provenir de reestructurar el intercambio de información, no de asignar identidades teatrales a muchos agentes.

Los sistemas multiagente suelen comenzar con roles como investigador, crítico, ingeniero o editor. Estas etiquetas ayudan a dividir el trabajo, pero pueden seguir siendo genéricas. Un rol llamado “analista cuidadoso” aporta poca información específica de la tarea.

MASS busca en cuatro componentes del flujo de trabajo: roles, instrucciones, contratos y saltos. Un contrato define qué evidencia o artefactos debe devolver un agente. Un salto especifica cuándo la información pasa entre agentes o regresa a una etapa anterior.

En un flujo de trabajo financiero, agentes separados se encargan de la preparación de datos, la construcción de características, el modelado, el backtesting, la auditoría, la conciliación y la elaboración de informes. El agente de datos debe informar si la información futura se filtró en decisiones históricas.

Ese contrato aborda un modo de fallo concreto. Un backtest financiero puede parecer exitoso cuando el modelo utiliza accidentalmente datos futuros. Exigir comprobaciones explícitas proporciona a los agentes posteriores evidencia que pueden inspeccionar antes de aceptar el resultado.

Sakana AI analizó cómo cambiaban los componentes del flujo de trabajo durante la búsqueda. Detectó que la información de la tarea se concentraba cada vez más en los contratos y el orden de comunicación. Los roles y las instrucciones generales transportaban menos de esa información con el tiempo.

La muestra detrás de este análisis es pequeña y cubre ocho o nueve tareas según la comparación. Sus estimaciones de información mutua describen el texto del flujo de trabajo, no cada mensaje intercambiado durante la ejecución. Por lo tanto, el patrón debe tratarse como una pista de investigación.

Incluso con esa limitación, ofrece una explicación útil de Sakana AI MASS. El sistema mejora al descubrir qué debe establecer cada agente, qué debe transmitir y cuándo otro agente debe inspeccionarlo.

Investigaciones anteriores sobre debate multiagente mostraron que las instancias de modelos pueden mejorar el razonamiento intercambiando respuestas y críticas. MASS extiende esa idea del comportamiento temporal de inferencia al entrenamiento supervisado.

El método también entrena dos formas distintas de comportamiento. Las trayectorias del orquestador muestran cómo descomponer un trabajo amplio y coordinar especialistas. Las trayectorias de los subagentes muestran cómo completar tareas acotadas con requisitos claros de salida.

Esa combinación parece más densa que entrenar con trazas largas de un solo agente. En la comparación de Sakana AI, un estudiante multiagente alcanzó una tasa de victoria del 68.3 por ciento tras procesar 28.8 millones de tokens supervisados.

El estudiante de un solo agente más grande alcanzó el 64 por ciento tras procesar 42 millones de tokens. Según esa medida, el modelo multiagente logró un resultado superior con un 31 por ciento menos de tokens supervisados.

La comparación no aísla la delegación como única causa. Los grupos utilizaron distintos flujos de trabajo e instrucciones de verificación. Las ejecuciones en equipo también generaron, de media, alrededor de 2.4 veces más tokens antes de que se seleccionaran los ejemplos de entrenamiento.

Los jueces externos prefirieron el trabajo multiagente en el 85,1 por ciento de las comparaciones frente a los resultados de un solo agente. Entre diez pares con longitudes de trazas similares, las salidas de los equipos aún ganaron el 80 por ciento de las comparaciones.

Estos resultados sugieren que la calidad de la selección importa tanto como la estructura del equipo. MASS no aprende de cada intercambio entre agentes. Genera muchos candidatos, permite que el modelo los clasifique y se entrena con el subconjunto preferido.

El mecanismo se asemeja a un filtro que convierte un costoso trabajo colectivo en lecciones concentradas. Intercambia costes adicionales de búsqueda y evaluación por mejores ejemplos supervisados.

Este equilibrio tiene implicaciones prácticas para los desarrolladores. Un equipo de IA útil necesita más que varias copias del mismo prompt. Requiere contratos explícitos de evidencia, etapas de revisión y reglas de enrutamiento de información vinculadas a la tarea.

El mismo principio se aplica cuando las personas coordinan investigación asistida por IA. Una base de conocimiento consultable solo ayuda cuando los colaboradores preservan la evidencia, el contexto y las decisiones en formatos que otros puedan inspeccionar.

MASS automatiza parte de ese diseño organizativo. Su afirmación más profunda es que la coordinación misma puede convertirse en una capacidad aprendida. El modelo no solo realiza un mejor trabajo a través de un equipo temporal. También absorbe patrones del comportamiento exitoso del equipo.

Un solo modelo sigue corrigiendo sus propios deberes

La fortaleza definitoria de la autosupervisión multiagente también es su mayor riesgo aún no resuelto.

MASS utiliza un modelo compartido como solucionador de tareas, optimizador de flujos de trabajo y evaluador dentro del ciclo. Este diseño homogéneo pone a prueba si un modelo puede mejorar sin depender de un profesor permanentemente más fuerte.

También genera fallos correlacionados. Si el modelo malinterpreta una tarea, cada agente puede reproducir ese malentendido. El evaluador puede entonces recompensar el mismo error que produjo el ejecutor.

Los ciclos repetidos elevan lo que está en juego. Una trayectoria defectuosa puede aceptarse como superior, seleccionarse para el entrenamiento e incorporarse al siguiente modelo. El evaluador actualizado puede adquirir más confianza en el error compartido.

Sakana AI identifica abiertamente los puntos ciegos compartidos como un problema central de seguridad. Su resumen del proyecto sostiene que la autoevaluación debe permanecer abierta a la corrección a medida que crecen las capacidades.

Los jueces externos ayudan a medir este experimento, pero no resuelven el problema del despliegue. GPT-5.5 y Claude Opus 4.8 permanecieron fuera de la señal de entrenamiento. Por tanto, su disponibilidad aportó una comprobación de la que podría carecer un ciclo verdaderamente autónomo.

MASS informa de que la concordancia con esos jueces externos aumentó del 73 por ciento al 93 por ciento a lo largo de tres generaciones de modelos. Esto indica que el evaluador interno se alineó más con jueces más sólidos en estas tareas.

La concordancia no equivale a la corrección. Dos evaluadores pueden compartir supuestos, recompensar informes pulidos pero defectuosos, o pasar por alto errores que requieren experimentos en el mundo real. La investigación abierta hace que esta distinción sea especialmente importante.

La batería de benchmarks también es reducida en comparación con el alcance que implica la mejora recursiva. Solo tres tareas sintéticas quedaron fuera del posentrenamiento. Dos ciclos completos aportan evidencia de iteración, pero no de progreso recursivo indefinido.

El escepticismo de la comunidad se ha centrado en esta brecha. Algunos comentaristas de Hacker News sostuvieron que el trabajo se parece más a una coordinación mejorada de agentes que a una mejora recursiva sin restricciones. Otros cuestionaron por qué un proceso aparentemente recursivo se detuvo tras dos rondas.

Esta crítica identifica un problema real de denominación. La mejora recursiva estricta suele implicar un sistema que modifica de forma autónoma los mecanismos responsables de crear a sus sucesores. MASS alterna, en cambio, la búsqueda de flujos de trabajo diseñada por humanos con el ajuste fino supervisado dentro de una canalización experimental fija.

El modelo influye en los flujos de trabajo, los datos de entrenamiento y las decisiones de evaluación. Los humanos siguen definiendo la arquitectura, la batería de tareas, el método de optimización, el protocolo de benchmarks y los límites de los ciclos. También proporcionan la infraestructura informática.

Llamar recursivo a MASS es defendible porque cada modelo actualizado ayuda a generar y seleccionar los datos de entrenamiento del siguiente modelo. Llamarlo mejora autónoma abierta exageraría lo que establece el experimento.

La calidad del optimizador plantea otra restricción. Sakana AI probó configuraciones que introducían GPT-5.5 en el ciclo de búsqueda de flujos de trabajo mientras mantenían el modelo Qwen base como ejecutor.

Usar GPT-5.5 solo como evaluador produjo una mejora limitada. Usarlo tanto como evaluador como optimizador encontró flujos de trabajo ganadores para las 12 tareas en un máximo de cinco iteraciones de búsqueda.

El ciclo totalmente homogéneo acabó encontrando flujos de trabajo ganadores para 11 de 12 tareas, pero necesitó hasta 13 iteraciones. Sakana AI interpreta esto como evidencia de que el optimizador puede convertirse en un cuello de botella mayor que el evaluador.

Una buena crítica es inútil cuando el optimizador no puede convertirla en un proceso mejor. Este resultado desplaza la atención de la precisión de puntuación hacia la capacidad del modelo para revisar flujos de trabajo complejos.

La estabilidad de la búsqueda sigue siendo débil. Los resultados de flujos de trabajo de Sakana AI fluctúan, con iteraciones sólidas seguidas de regresiones pronunciadas. Alcanzar un buen flujo de trabajo no garantiza que la siguiente revisión lo conserve.

Estos límites hacen que el resultado sea más interesante, no menos. MASS expone dónde falla un ciclo homogéneo de mejora cuando se lo observa. Proporciona mediciones sobre transferencia, concordancia entre jueces, fortaleza del optimizador e inestabilidad de los flujos de trabajo.

La inteligencia colectiva no elimina el problema de la supervisión

Un equipo de modelos idénticos puede ampliar una búsqueda, pero no puede garantizar un juicio independiente.

La inteligencia colectiva suele fortalecerse a partir de las diferencias entre sus participantes. Los equipos humanos aportan experiencias, incentivos, conocimientos especializados y roles institucionales distintos. Esas diferencias pueden revelar errores que una sola persona pasaría por alto.

MASS utiliza múltiples instancias de un mismo modelo compartido. El muestreo aleatorio y las asignaciones especializadas crean variación de comportamiento, pero cada agente hereda los mismos pesos y buena parte del mismo historial de entrenamiento.

Esta arquitectura aún puede producir diversidad útil. Agentes separados exploran enfoques diferentes, trabajan con evidencia intermedia distinta y se critican mutuamente. Sin embargo, su desacuerdo no demuestra una independencia genuina.

El problema se agudiza en las tareas no verificables. Sakana AI emplea ese término para trabajos sin una señal automática de éxito basada en reglas. Un informe de investigación puede ser coherente y estar bien respaldado, y aun así contener un error conceptual inadvertido.

Un evaluador basado en modelos puede favorecer resultados que coincidan con su propio estilo o hábitos de razonamiento. Entrenar con esas selecciones puede reforzar las preferencias del evaluador sin reforzar el contacto con la realidad.

Este es un problema más amplio de supervisión escalable. A medida que los agentes realizan trabajos que a los humanos les cuesta evaluar, los desarrolladores necesitan supervisores más débiles para vigilar sistemas más potentes. Los jueces de modelos más capaces ayudan, pero también desplazan la autoridad de evaluación lejos de las personas.

La investigación sobre monitorabilidad de OpenAI concluye que las trazas de razonamiento pueden revelar más sobre el comportamiento de los agentes que las acciones y respuestas finales por sí solas. También describe la monitorabilidad como incompleta y dependiente tanto del agente como del monitor.

Esto importa para MASS porque sus ejemplos de entrenamiento contienen trayectorias ricas. Los mensajes, las llamadas a herramientas y los artefactos intermedios crean más oportunidades de inspección. También generan una superficie mayor donde pueden ocultarse errores sutiles.

Optimizar directamente el razonamiento visible puede introducir otro peligro. Un modelo puede aprender qué explicaciones obtienen aprobación sin cambiar el comportamiento que produjo un fallo. La supervisión terminaría entonces recompensando una racionalización legible en lugar de un trabajo fiable.

Sakana AI no afirma haber resuelto este problema. Su artículo advierte que la misma debilidad puede comprometer el comportamiento de un modelo y el mecanismo destinado a corregirlo.

Por ello, siguen siendo necesarias comprobaciones independientes. Pueden incluir modelos externos, expertos humanos, pruebas ejecutables, canalizaciones de datos fiables, evaluaciones adversariales y validación diferida en el mundo real.

Ninguna comprobación única cubre todos los fallos. El código puede ejecutarse e implementar el objetivo equivocado. Un informe puede citar evidencia real y, al mismo tiempo, omitir resultados contradictorios. Varios modelos pueden coincidir porque comparten sesgos de entrenamiento.

El uso más sólido de MASS a corto plazo podría ser la investigación acotada con pasos intermedios verificables. Las canalizaciones financieras pueden probar divisiones cronológicas de datos. Los experimentos de robótica pueden comprobar resultados de simulación. Los análisis farmacéuticos pueden imponer contratos de datos y cálculos.

Cuanto más subjetivo se vuelve el objetivo final, más débil resulta el autojuicio como señal única. La estrategia, la novedad científica, el asesoramiento sobre políticas y el análisis de seguridad dependen de valores o evidencia que el consenso de los modelos no puede resolver.

El análisis de Anthropic sobre la mejora recursiva también sitúa la supervisión, la validación y la verificación en el centro del futuro desarrollo de la IA. La presión común es clara incluso cuando difieren los enfoques técnicos.

Si la IA contribuye con una mayor parte del trabajo necesario para mejorar la IA, la supervisión no puede seguir siendo una idea secundaria. Los sistemas de evaluación deben avanzar junto con los sistemas de capacidades. MASS proporciona un banco de pruebas útil para estudiar esa carrera.

Las tres próximas señales decidirán qué demuestra realmente MASS

La siguiente fase debe poner a prueba la duración, la transferencia y la corrección, en lugar de repetir el resultado más llamativo.

La primera señal es si la mejora resiste ciclos adicionales. Dos rondas establecen recurrencia, pero no demuestran una mejora recursiva sostenida mediante inteligencia colectiva.

Un tercer y cuarto ciclo deberían medir si las ganancias continúan, se estabilizan o se revierten. Los investigadores también deberían informar de cómo cambian los costes de búsqueda de flujos de trabajo a medida que mejora el modelo.

Las ganancias continuas con una evaluación externa estable reforzarían la afirmación recursiva. Una meseta sugeriría que el modelo agota las lecciones disponibles dentro de su distribución de tareas. Una regresión podría revelar errores acumulados del juez o interferencia del entrenamiento.

La segunda señal es la transferencia a dominios excluidos de la batería de investigación original. Los descensos en Terminal-Bench 2.0 y SWE-bench Verified proporcionan una exigente referencia inicial.

Añadir tareas de ingeniería de software debería mejorar esos benchmarks si el método aprende coordinación transferible. Si las ganancias aparecen solo después de un entrenamiento directo específico del dominio, MASS se parecerá más a un método eficiente de especialización.

Eso seguiría siendo valioso. Simplemente acotaría la afirmación: de una mejora amplia a un mejor posentrenamiento condicionado por la tarea.

Una prueba de transferencia convincente también debería preservar el rendimiento en finanzas, robótica y farmacia. De lo contrario, las nuevas capacidades podrían reemplazar a las antiguas en lugar de acumularse sobre ellas.

La tercera señal es si el sistema puede detectar y revertir un punto ciego compartido. Los investigadores podrían introducir trampas de evaluación ocultas, evidencia contradictoria o tareas en las que un consenso pulido conduzca a una conclusión errónea.

El éxito requeriría más que jueces externos detectando el fallo. El ciclo homogéneo debería identificar el problema, revisar su flujo de trabajo y evitar entrenar con las trayectorias defectuosas.

Esta prueba conectaría las afirmaciones de capacidad con el control. Mostraría si la inteligencia colectiva puede generar presión correctiva cuando todos los agentes parten de supuestos similares.

Las organizaciones que evalúen Sakana AI MASS deberían centrarse en estas señales antes de tratarlo como una receta general. Los resultados actuales respaldan la experimentación con flujos de investigación acotados y ricos en evidencia. No respaldan eliminar la revisión humana de decisiones relevantes.

La lección más amplia ya es visible. Equipos de agentes más eficaces pueden generar mejores datos de entrenamiento, y esas lecciones pueden incorporarse a los pesos del modelo. Sin embargo, cada avance depende de lo que el equipo considere un éxito.

La auto-mejora recursiva mediante inteligencia colectiva solo se vuelve fiable cuando el ciclo puede reconocer sus propios errores compartidos. ¿Qué verificaciones independientes exigiría su organización antes de permitir que un sistema así seleccione la evidencia utilizada para su próximo ciclo de entrenamiento?