斯坦福大学的论文揭示人工智能团队的表现优于辩论和投票模型

仅从少数示例中学习团队合作策略的自组织代理团队就大幅击败了个体模型和传统的多代理方法

斯坦福大学的一篇新论文介绍了一个框架，其中人工智能代理组学习如何从一小部分过去的经验中进行协作，然后将这些团队合作策略应用于全新的问题。这种名为自组织智能体团队 (SAT) 的方法在五个数学和物理基准测试中的平均准确度达到 66.7%，轻松击败了该组中最好的个体智能体 48.8%。

SAT 的实际运作方式

传统的多智能体人工智能设置往往遵循严格的剧本：智能体辩论问题，然后对答案进行投票。 SAT 采用了一种根本不同的方法，让代理团队开发自己的组织结构，包括角色、参与规则、对话阶段和信息流模式。

关键的见解是这些策略是从非常小的数据集中学习的。 SAT 团队仅从 15 个 AIME 2024 问题或 25 个 GPQA 钻石问题中得出了他们的协作手册，然后将这些策略原封不动地转移到他们以前从未见过的完全独立的基准测试中。

这个概念很大程度上借鉴了组织心理学。智能体交换推理，挑战彼此的逻辑，并结合部分解决方案来得出单个智能体无法单独得出的答案。

所涉及的模型名单看起来就像一个人工智能全明星团队。数学和物理任务采用 o3-mini、Claude Sonnet 4 和 DeepSeek-V3，而知识和逻辑基准测试则使用 Gemini-2.5-Flash、Llama-4-Maverick 和 GPT-4.1。

人工智能、科技及其所推动的市场——每日简报。日常的。自由的。加入加密货币、金融和政策领域 34,000 多名读者的行列。电子邮件地址 免费订阅 我们尊重您的隐私。随时取消订阅。

重要的数字

SAT 66.7% 的平均准确率不仅击败了个别代理人。它还优于计算匹配的单代理推理（达到 58.7%），以及根据代理的个人答案构建的路由预言机（达到 59.0%）。路由预言机会在事后为每个问题选择最佳的单独答案，因此击败它意味着团队真正产生了更好的推理，而不仅仅是挑选。

具体来说，在 AIME 2026 上，SAT 的准确率达到 71.2%，超出路由预言机 13.4 个百分点。

也许最有说服力的发现涉及研究人员所说的“可论证性”，本质上是一旦正确的推理出现在对话中，就可以很容易地将其与错误的推理区分开来。性能提升与可论证性相关，Spearman 相关系数为 0.90。当好的推理出现时，这些团队就会认识到它并遵循它。

为什么这违背了传统观念

斯坦福大学于 2026 年早些时候发表的相关研究发现，在计算预算相同的情况下，单个智能体通常可以匹配或优于多智能体设置。 SAT 直接回应了这一批评。通过关注学习的组织策略而不是暴力辩论协议，该框架表明协作可以产生超越集成或个人推理所提供的真正优势。 SAT 的 66.7% 与计算匹配的单一代理的 58.7% 之间的差距表明，价值不在于拥有更多模型，而在于拥有知道如何协同工作的模型。

与可论证性的强相关性也表明了自然边界条件。 SAT 最适合解决在对话中出现时可以识别正确推理的问题，即具有可验证逻辑链的领域，例如数学、物理和结构化推理。