Исследование Стэнфордского университета показало, что самоорганизующиеся команды агентов искусственного интеллекта превосходят как отдельные модели, так и традиционные многоагентные подходы, основанные на дебатах и голосовании.
В новой работе представлена методика, в которой группы ИИ-агентов учатся сотрудничать на основе небольшого набора прошлых задач, а затем применяют эти стратегии командной работы к совершенно новым задачам. Подход получил название SAT (Self-Organizing Teams). Он показал среднюю точность 66,7% по пяти математическим и физическим тестам – значительно выше результата лучшего отдельного агента в группе (48,8%).
Традиционные многоагентные системы обычно следуют жесткому сценарию: агенты обсуждают проблему, а затем голосуют за решение. SAT использует принципиально иной подход – команды агентов разрабатывают собственные организационные структуры, включая роли, правила участия, этапы диалога и схемы потоков информации.
Ключевая идея – обучение на удивительно малых наборах данных. Команды SAT выработали свои совместные руководства, используя всего 15 задач AIME 2024 или 25 задач GPQA Diamond, а затем перенесли эти стратегии без изменений на совершенно другие тестовые наборы, с которыми никогда не сталкивались. Концепция во многом заимствована из организационной психологии. Агенты обмениваются рассуждениями, оспаривают логику друг друга и объединяют частичные решения, чтобы прийти к ответам, недостижимым для одиночного агента.
Список задействованных моделей выглядит как команда звезд ИИ. В задачах по математике и физике использовались o3-mini, Claude Sonnet 4 и DeepSeek-V3, а в тестах на знание и логику – Gemini-2.5-Flash, Llama-4-Maverick и GPT-4.1.