MASS : Sakana AI fait progresser un modèle en l'entraînant sur le travail de sa propre équipe d'agents

Un modèle d'IA peut-il s'améliorer sans qu'un humain note ses réponses ? Le laboratoire japonais Sakana AI, avec des chercheurs de l'université de Berkeley, publie une méthode baptisée MASS (Multi-Agent Self-Supervision). L'article a été déposé sur arXiv le 8 octobre 2026 et présenté sur le blog du laboratoire le 12 octobre. Le code est annoncé sur GitHub.

Ce que fait la méthode

Le point de départ est un problème concret. Sur des tâches ouvertes, comme mener une étude et rédiger un rapport, il n'existe pas de « bonne réponse » à vérifier automatiquement, et les experts humains peinent à tout évaluer. Le modèle doit donc se juger lui-même, au risque de valider ses propres erreurs.

MASS répartit les rôles au sein d'un même modèle :

• il exécute la tâche en équipe, avec des sous-agents qui se partagent le travail ;
• il cherche de meilleures organisations d'équipe : qui fait quoi, dans quel ordre, avec quelles informations ;
• il juge les résultats et retient la meilleure organisation ;
• il est enfin réentraîné sur le travail produit par cette meilleure équipe.

Le modèle ainsi ajusté recommence le cycle. C'est ce qu'on appelle l'auto-amélioration récursive.

Ce qui est démontré

L'expérience utilise Qwen3.6-27B, un modèle à poids ouverts, sur deux cycles. Le dispositif repose sur douze tâches de recherche synthétiques en finance, robotique et pharmacie, dont trois gardées pour le test.

• Sur les tâches de test, le modèle issu du deuxième cycle est préféré au modèle de départ dans 69,9 % des comparaisons, selon des juges externes.
• Sur quatre bancs d'essai publics de recherche et d'analyse de données, le score par jeton produit est multiplié par 1,20 à 1,60.
• L'accord entre les jugements du modèle et ceux des juges externes passe de 73 % à 93 % au fil des cycles.
• Les traces d'équipe sont un meilleur matériau d'entraînement que les traces d'un agent seul : meilleur résultat avec environ 31 % de jetons en moins.

Les limites

• Le gain ne se transfère pas partout. Sur SWE-bench Verified et Terminal-Bench 2.0, deux tests de programmation, le résultat recule légèrement (0,94 et 0,96 fois la valeur de départ).
• La mesure retenue est un score par jeton produit. La page du projet ne donne pas les scores absolus avant et après.
• Deux cycles, un seul modèle, douze tâches : rien ne dit que la progression se poursuit au-delà.
• La recherche d'organisations est instable : de bonnes itérations sont parfois suivies de fortes régressions.
• Les comparaisons entre équipe et agent seul ne sont pas parfaitement isolées, les consignes différant aussi entre les deux groupes.
• Le coût de calcul n'est pas communiqué.

Les auteurs insistent sur un risque de fond : quand le même modèle produit et évalue, un angle mort partagé peut faire passer une erreur pour un progrès, puis la graver dans la version suivante. Ils appellent à conserver des contrôles indépendants et des moyens d'intervention.

Notre lecture

Ce n'est pas une IA qui s'améliore sans fin : c'est une expérience bornée, sur un modèle de taille moyenne. Elle contient cependant deux enseignements utiles pour qui déploie des agents.

Le premier : l'organisation du travail entre agents compte autant que le modèle. Avec les mêmes poids, un meilleur découpage des rôles donne de meilleurs résultats, et ce découpage peut s'optimiser.

Le second est une règle de prudence. Si vous faites vérifier le travail d'un agent par un second agent reposant sur le même modèle, vous n'avez pas un contrôle indépendant. Pour les tâches qui comptent, prévoyez un modèle différent, un test automatique ou une relecture humaine.