史丹佛大學一篇新論文提出一個框架，讓AI代理群體從少量過往經驗中學習如何協作，再將這些團隊策略應用於全新的問題。這種稱為「自組織代理團隊」（SAT）的方法，在五項數學與物理基準測試中取得66.7%的平均準確率，明顯優於群組中最佳單一代理的48.8%。

SAT的運作方式

傳統的多代理AI系統通常遵循僵化的協定：代理先辯論問題，再對答案投票。SAT則截然不同，讓代理團隊自行發展出組織結構，包括角色、參與規則、對話階段與資訊流模式。

一個關鍵發現在於，這些策略可以從極小的資料集中學習而來。SAT團隊僅從15道AIME 2024題目或25道GPQA Diamond題目中推導出協作策略，隨後將這些策略原封不動地轉移到從未接觸過的其他基準測試。AIME（American Invitational Mathematics Examination，美國數學邀請賽）是一項競賽數學測驗，已成為衡量前沿模型推理能力的標準指標；GPQA Diamond則是研究生級科學基準測試中最困難的部分，其設計旨在擊敗快速網路查詢。僅用幾十道題目便足以學得可完整遷移的穩健策略，這將團隊協作本身定位為可學習、可重複使用的能力，而非針對單一任務的工程。

這一概念大量借鑑組織心理學。代理彼此交換推理過程、挑戰對方的邏輯，並整合部分解，得出任何單一代理都無法獨自得出的答案。

參與模型的陣容堪稱AI全明星隊，涵蓋多個實驗室的封閉與開放權重系統。數學與物理任務採用了o3-mini、Claude Sonnet 4與DeepSeek-V3，而知識與邏輯基準測試則使用Gemini-2.5-Flash、Llama-4-Maverick與GPT-4.1。

關鍵數據

SAT的66.7%平均準確率不僅超越個別代理，還優於計算量相當的單代理推論（58.7%），以及由各代理個別答案構成的路由神諭（59.0%）。路由神諭是在事後為每道題目挑選最佳個別答案，因此能超越它代表團隊確實產出了更好的推理，而非事後挑選最佳回應。

在AIME 2026上，SAT達到71.2%的準確率，比路由神諭高出13.4個百分點。

最具啟發性的發現之一，涉及研究人員所稱的「可演示性」（demonstrability），也就是當正確推理在對話中浮現時，能被多容易地與錯誤推理區分開來。效能提升與可演示性之間的Spearman相關係數達0.90。當合理的推理出現時，這些團隊能夠辨識並加以運用。對實務工作者而言，這一相關性可視為部署訊號：SAT的優勢集中在團隊能夠檢驗某條推理是否成立的場景。

為何這項研究推翻傳統認知

史丹佛早前於2026年發表的相關研究現，在計算預算相同的情況下，單一代理的表現往往可與多代理系統匹敵甚至更佳。SAT直接回應了這一批評。該框架聚焦於學習得來的組織策略，而非蠻力式的辯論協定，證明協作能帶來集成或單獨推論所無法提供的真正優勢。SAT的66.7%與計算量相當單代理的58.7%之間的差距顯示，價值不在於擁有更多模型，而在於擁有懂得協作的模型，這一發現將編排設計定位為可學習的學科，而非需要手動調校的模板。

與可演示性的強相關也指出了一個天然邊界條件。SAT在正確推理於對話中出現時即可被辨識的問題上表現最佳，也就是具備可驗證邏輯鏈的領域，例如數學、物理與結構化推理。同樣的策略方法能否延伸至缺乏此類檢驗的開放式工作，是這些結果留下的未解問題。