MASS introduit l’auto‑supervision multi‑agents pour l’amélioration récursive

Principe de MASS

MASS (Multi‑Agent Self‑Supervision) propose une boucle où un même modèle de langage occupe simultanément les rôles d’exécuteur, d’optimiseur de workflow et d’évaluateur. Le modèle génère un « workspace » contenant résultats, graphiques et rapport de recherche, puis, via un optimiseur interne, explore différentes répartitions de tâches entre plusieurs sous‑agents partageant le même poids. L’évaluateur compare les workspaces produits et sélectionne le meilleur, fournissant ainsi un signal d’auto‑supervision. Cette architecture repose sur l’idée que l’intelligence collective d’une équipe d’agents peut être distillée dans les poids du modèle unique, créant un mécanisme d’amélioration récursive homogène.

Boucles d’apprentissage interne et externe

Le processus se décompose en deux boucles. La boucle interne maintient les poids du modèle fixes et optimise le workflow : chaque itération génère un champion, le modèle auto‑évalue le résultat, puis réécrit le contrat de travail. La boucle externe utilise les exécutions du workflow optimisé comme données d’entraînement pour mettre à jour les poids du modèle, ce qui le rend à son tour plus performant dans les trois rôles. Le papier indique que le modèle a été entraîné sur des tâches de recherche non vérifiables, où aucune supervision externe automatisée n’est disponible.

Évaluation externe et limites

Pour mesurer les progrès, les auteurs ont fait évaluer les workspaces par deux modèles externes, GPT‑5.5 et Claude Opus 4.8, dont les jugements ont été tenus hors de la boucle d’apprentissage. Cette démarche fournit une mesure indépendante de l’amélioration du « score par token de sortie » sur des benchmarks de recherche, bien que le texte ne précise pas les valeurs numériques obtenues. L’absence de métriques détaillées limite l’appréciation quantitative de l’avantage de MASS. De plus, la dépendance à une auto‑évaluation non vérifiable soulève des questions de fiabilité : si le modèle se trompe dans son jugement, le signal d’apprentissage pourrait être biaisé, entraînant une dérive de performance.