MASS 用同一套 Qwen3.6-27B 权重执行、评价和优化团队工作流：内层搜索分工与交接，外层从较好的执行轨迹做 LoRA 微调，再进入下一轮。作者跑了两轮；合成任务中三项留出任务不参与微调或检查点选择，结果另交强模型评价。四个研究基准的分数/输出 token 比值达到基线的 1.2–1.6 倍，但 Terminal-Bench 2.0 与 SWE-bench Verified 分别为 0.96、0.94 倍。这个比例是单位输出 token 指标，不是总计算成本下降幅度。
持续追踪
持续追踪
MASS 用同一套 Qwen3.6-27B 权重执行、评价和优化团队工作流：内层搜索分工与交接，外层从较好的执行轨迹做 LoRA 微调，再进入下一轮。作者跑了两轮；合成任务中三项留出任务不参与微调或检查点选择，结果另交强模型评价。四个研究基准的分数/输出 token 比值达到基线的 1.2–1.6 倍，但 Terminal-Bench 2.0 与 SWE-bench Verified 分别为 0.96、0.94 倍。这个比例是单位输出 token 指标，不是总计算成本下降幅度。