MASS MASS(다중 에이전트 자기 지도)
MASS(Multi-Agent Self-Supervision)는 하나의 AI 모델이 작업 실행자·팀 운영 방식 설계자·평가자를 모두 맡아 팀의 협업 방식을 다듬고, 잘된 팀 작업 기록으로 자기 자신을 다시 학습하는 자기개선 방식이다. Sakana AI와 UC Berkeley 연구진이 2026년 10월 공개한 연구 기법이다.
무엇인가
MASS는 '더 강한 선생 없이 모델이 스스로 나아지는 법'을 다룬 연구다. 연구진은 인류가 쌓은 지식을 넘어서는 연구 영역에서는 전문가조차 결과를 평가하기 어려울 수 있다고 보고, 개선 대상 모델 자신이 가장 유능한 감독자가 되는 상황을 출발점으로 삼았다. 이를 동종 재귀적 자기개선(homogeneous RSI)이라고 부른다. MASS의 핵심 아이디어는 모델 한 개가 혼자서는 안정적으로 내지 못하는 '팀의 집단지능'을 학습 신호로 쓰는 것이다. 연구진은 논문과 코드를 함께 공개했다.
어떻게 작동하나
같은 언어 모델이 세 역할을 맡는다. 작업 실행자는 코드·결과·보고서를 만들고, 워크플로 최적화기는 평가 의견을 보고 일을 나누는 방식과 결과를 주고받는 방식을 고치며, 평가자는 두 결과물을 비교해 더 나은 쪽을 고른다. 안쪽 고리에서는 모델 가중치를 고정한 채 워크플로(역할·지시·주고받을 정보를 정한 '계약'·호출 순서)를 바꿔 보며, 현재 최고인 '챔피언' 워크플로를 이긴 후보가 나오면 교체한다. 바깥쪽 고리에서는 챔피언 워크플로를 여러 번 실행하고 모델이 그 결과에 순위를 매겨 좋은 실행 기록(Trajectory)을 골라낸 뒤, LoRA로 모델에 Distill한다. 이렇게 갱신된 모델이 다시 세 역할을 맡아 과정을 되풀이한다.
왜 주목받나
정답을 자동으로 확인할 수 없는 연구형 과제에서도 외부 채점자 없이 자기평가만으로 개선이 일어났다는 점이 눈길을 끈다. 연구진은 Qwen3.6-27B에 두 차례 적용한 결과, 학습에서 뺀 합성 연구 과제에서 기본 모델 대비 승률이 53.9%에서 69.9%로 올랐고, 연구 벤치마크 4종의 출력 토큰당 점수가 1.2~1.6배 높아졌다고 밝혔다. 작업 수행 기록만 학습했는데도 워크플로 최적화와 평가 능력까지 함께 좋아졌다고도 밝혔다. 또 여러 에이전트가 함께 일한 기록이 단일 에이전트 기록보다 적은 학습 데이터로 더 좋은 성과를 냈다고 보고했다.
연구진이 밝힌 결과
알아 둘 점
수치는 연구진이 직접 밝힌 결과이고, 아직 연구 단계의 기법이다. 개선 효과는 소프트웨어 엔지니어링 벤치마크로 고르게 옮겨 가지 않았다. 같은 모델이 만들고 평가까지 하므로, 모델이 공통으로 가진 맹점이 다음 학습에 반복해서 굳어질 위험이 있다. 연구진도 자기평가를 바로잡을 수 있는 감독이 필요하다고 짚었다.
예시
연구진이 공개한 금융 과제에서는 MASS가 다듬은 워크플로가 '데이터 준비 → 특징 구성 → 모델링 → 백테스트 → 감사 → 대조 검증 → 보고서' 순서로 하위 에이전트에게 일을 나눴다. 데이터 담당 에이전트는 과거 판단에 미래 정보가 섞이지 않았는지 검사한 결과를 다음 에이전트에게 넘기도록 '계약'에 정해 두었다. 이렇게 잘 짜인 팀 작업 기록을 모아 모델을 다시 학습하면, 나중에는 워크플로를 따로 주지 않아도 모델이 과제만 보고 일을 조직하는 법을 익히도록 한 것이다.