斯坦福大学的一篇新论文提出了一个框架，让一组AI智能体从少量过往经验中学习如何协作，再将这些团队协作策略应用于全新问题。该方法被称为自组织智能体团队（Self-Organizing Agent Teams，SAT），在五个数学和物理基准上取得了66.7%的平均准确率，轻松超过了组内表现最佳的单个智能体的48.8%。

SAT的工作原理

传统的多智能体AI系统通常遵循固定的协议：智能体就问题进行辩论，然后对答案投票。SAT摒弃了这一模板，允许智能体团队自行发展组织结构，包括角色、参与规则、对话阶段以及信息流模式。

一个关键洞察是，这些策略可以从极小的数据集中学习。SAT团队仅从15道AIME 2024题目或25道GPQA Diamond题目中总结出协作策略，然后将其原封不动地迁移到从未见过的独立基准上。AIME即美国数学邀请赛，是一项竞赛数学测试，已成为衡量前沿模型推理能力的标准标尺；而GPQA Diamond是研究生级科学基准中最难的部分，其设计目的就是挫败快速的网络检索。几十道题目就足以让策略具备完整迁移的稳健性，这表明团队协作本身就是一种可学习、可复用的能力，而非逐项任务的工程。

这一概念大量借鉴了组织心理学。智能体之间交换推理过程、质疑彼此的逻辑，并整合部分解，从而得出任何单个智能体都无法独立得出的答案。

所使用的模型阵容堪称AI全明星名单，涵盖多个实验室的闭源和开放权重系统。数学和物理任务采用了o3-mini、Claude Sonnet 4和DeepSeek-V3，而知识与逻辑基准则使用了Gemini-2.5-Flash、Llama-4-Maverick和GPT-4.1。

关键数据

SAT的66.7%平均准确率不仅超越了单个智能体，还超过了算力匹配的单智能体推理（58.7%），以及由各智能体个体答案构建的路由神谕（59.0%）。路由神谕是在事后为每个问题挑选最佳个体答案，因此超越它意味着团队确实产生了更好的推理，而非事后挑选。

具体到AIME 2026，SAT达到71.2%的准确率，比路由神谕高出13.4个百分点。

最有启示性的发现之一涉及研究者所称的“可展示性”（demonstrability），即正确推理一旦出现在对话中，能多容易被识别并与错误推理区分开来。性能提升与可展示性之间的Spearman相关系数达到0.90。当可靠的推理出现时，这些团队能够识别它并在此基础上继续推进。对从业者而言，这一相关性可视为部署信号：SAT的优势集中在团队能够检验某条推理是否成立的环境中。

为何这与传统认知相悖

斯坦福2026年早些时候发布的相关研究发现，在算力预算相同的条件下，单个智能体的表现常常与多智能体系统相当甚至更好。SAT直接回应了这一批评。该框架聚焦于学习到的组织策略而非蛮力辩论协议，证明了协作可以带来集成或单智能体推理之外的真实优势。SAT的66.7%与算力匹配单智能体的58.7%之间的差距表明，价值不在于拥有更多模型，而在于拥有懂得如何协作的模型——这一发现将编排设计定位为一种可学习的学科，而非需要手工调校的模板。

与可展示性的强相关性也指出了一个天然的边界条件。SAT在正确推理出现在对话中即可被识别的问题上表现最佳——即数学、物理和结构化推理等具有可逻辑链条的领域。同样的策略方法在没有此类检验的开放式工作中能走多远，是这些结果留下的开放问题。