ИССЛЕДОВАНИЕ · RESEARCH · #836
Статья (arXiv:2609.22682v1): Self-Organizing Agent Teams изучают повторно используемые стратегии командной работы для улучшения коллективного рассуждения
Новый препринт на arXiv представляет Self-Organizing Agent Teams (SAT): фиксированные команды ИИ-агентов, которые обучаются повторно используемым стратегиям распределения ролей, фаз общения, участия и потоков информации для выполнения «коллективных вычислений». Обученные всего на 15 математических и 25 задачах уровня аспирантуры, SAT переносятся на невидимые математические и физические бенчмарки, в среднем достигая 66.7% точности против 48.8% у сильнейшего участника, 58.7% при эквивалентном по вычислениям одиночном выводе и 59.0% у идеального роутера; на AIME 2026 они опережают этот роутер на 13.4 балла и приносят наибольшую пользу там, где правильное рассуждение можно распознать (demonstrability).
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Новый препринт на arXiv представляет Self-Organizing Agent Teams (SAT): фиксированные команды ИИ-агентов, которые обучаются повторно используемым стратегиям распределения ролей, фаз общения, участия и потоков информации для выполнения «коллективных вычислений».
- Обученные всего на 15 математических и 25 задачах уровня аспирантуры, SAT переносятся на невидимые математические и физические бенчмарки, в среднем достигая 66.7% точности против 48.8% у сильнейшего участника, 58.7% при эквивалентном по вычислениям одиночном выводе и 59.0% у идеального роутера; на AIME 2026 они опережают этот роутер на 13.4 балла и приносят наибольшую пользу там, где правильное рассуждение можно распознать (demonstrability).
- Если организацию можно обучить, мультиагентные системы смогут получать решения, недоступные отдельным участникам, что указывает на масштабируемую возможность коллективного рассуждения в ИИ.
ПОЧЕМУ ЭТО ВАЖНО
Если организацию можно обучить, мультиагентные системы смогут получать решения, недоступные отдельным участникам, что указывает на масштабируемую возможность коллективного рассуждения в ИИ.