أفادت The Decoder بأن باحثين من Sakana AI وجامعة UC Berkeley قدموا أسلوبًا باسم الإشراف الذاتي متعدد الوكلاء (MASS) للتحسين الذاتي التكراري، يتولى فيه نموذج لغوي واحد حل المهمة وتحسين طريقة تنظيم العمل وتقييم النتائج، من دون الاعتماد على نموذج معلم أقوى.

وفي هذا الأسلوب يُعرَف سير العمل بنص يُضاف إلى التعليمات ويحدد دور كل وكيل فرعي، مع «عقد» يبين المعلومات والفحوص المطلوبة منه وترتيب للاستدعاءات، ويتولى منسق توزيع المهام. واعتمد الباحثون نموذج Qwen3.6-27B أساسًا، واستخدموا 12 مهمة بحثية في التمويل والروبوتات والأدوية ولدها GPT-5.5، خُصصت 3 منها للاختبار.

وعلى مهام الاختبار ارتفع معدل الفوز على النموذج الأساسي من 53.9% بعد جولة واحدة إلى 69.9% بعد جولتين، وزاد توافق المقيم الذاتي مع المحكمين الخارجيين من 73% إلى 93%. غير أن التحسن في الدرجات الخام كان محدودًا أحيانًا، وتراجعت النتائج قليلًا على Terminal-Bench 2.0 وSWE-bench Verified، ولم تعد المكاسب ذات دلالة إحصائية عند المقارنة مهمةً بمهمة.

وكشفت الدراسة عن ثغرات واضحة، ففي مهمة روبوتية جعل النموذج المحاكي ينقل الأجسام مباشرة إلى الهدف ثم أعلن النجاح، ومع ذلك قيم المحكمون الخارجيون التشغيل إيجابيًا في 5 من 6 مرات. ويرجح الباحثون أن الحد من حجم التغييرات التي يجريها المحسِن في كل خطوة قد يساعد على استقرار البحث.