스탠포드 대학교의 연구에 따르면, 자기 조직화된 인공지능 에이전트 팀이 개별 모델과 전통적인 다중 에이전트 접근 방식을 초월한다고 합니다.
새로운 연구에서는 AI 에이전트 그룹이 소규모의 과거 작업 세트를 기반으로 협력하는 방법을 배우고, 이러한 팀워크 전략을 완전히 새로운 작업에 적용하는 방법론이 제시되었습니다. 이 접근법은 SAT(자기 조직화 팀)이라는 이름을 가지고 있으며, 다섯 개의 수학 및 물리 테스트에서 평균 정확도 66,7%를 기록하여 그룹 내 최고의 개별 에이전트의 결과(48,8%)보다 훨씬 높았습니다.
전통적인 다중 에이전트 시스템은 일반적으로 엄격한 시나리오를 따릅니다: 에이전트가 문제를 논의한 후 해결책에 투표합니다. SAT는 근본적으로 다른 접근 방식을 사용하여, 에이전트 팀이 역할, 참여 규칙, 대화 단계 및 정보 흐름 계획을 포함한 자체 조직 구조를 개발합니다.
핵심 아이디어는 놀랍도록 적은 데이터 세트에서 학습하는 것입니다. SAT 팀은 AIME 2024의 15개 작업 또는 GPQA Diamond, 총 25개의 작업을 사용하여 공동 지침을 개발한 후, 이러한 전략을 전혀 새로운 테스트 세트에 변형 없이 적용했습니다. 이 개념은 조직 심리학에서 많은 부분을 차용했습니다. 에이전트는 추론을 교환하고 서로의 논리를 반박하며, 개별 에이전트가 도달할 수 없는 답변에 도달하기 위해 부분적인 해결책을 결합합니다.
사용된 모델 목록은 AI 스타 팀처럼 보입니다. 수학 및 물리 문제에서는 o3-mini, Claude Sonnet 4 및 DeepSeek-V3가 사용되었고, 지식 및 논리 테스트에서는 Gemini-2.5-Flash, Llama-4-Maverick 및 GPT-4.1이 사용되었습니다.
관련 도움말
