40 道题学会怎么开会，五个基准上多出 17.9 个点

15 道数学题，25 道研究生级别的知识题。斯坦福与 Together AI 的团队用这 40 道题训练智能体学会怎么组织协作，学完直接搬到没见过的基准上，策略一行不改。

论文 9 月 19 日挂上 arXiv，编号 2609.22682，已被 COLM 2026 与 EMNLP 2026 的 workshop 收录为 poster。

固定协议这道墙

集体智能不只取决于成员各自懂什么，还取决于他们怎么组织工作。这句话放在人类团队上是常识。当解的结构事先未知时，有用的角色和分工没法预先指定，团队只能边做边学怎么组织推理。人类团队天天这么干，现有 AI 智能体团队则依赖固定协议、显式任务分解或者路由。

SAT（Self-Organizing Agent Teams）的做法是给固定的智能体团队一套从既往协作中学来的可复用策略，用来组织角色、对话阶段、参与度与信息流。

作者给这套机制起了个名字，叫协作计算（collaborative computation）：智能体交换、质疑、修补、综合彼此的部分推理，产出任何成员独立都得不到的解。

四个对照组摆在一起

在两个独立场景中，团队学到的协作策略原样迁移到未见基准上。五个数学与物理基准的平均准确率是这样排的。

第四行是更硬的对照。那个路由能看到所有成员独立给出的答案，只要有一个答对它就选对，这是独立作答这条路的天花板。SAT 比它高 7.7 个点，在 AIME 2026 上高出 13.4 个点。讨论过程中确实产出了没有任何成员单独想到的答案。

什么时候组队才划算

增益在不同基准之间差异不小，作者没有回避这件事，反而把它变成了论文里的第二个问题：什么时候自组织协作真的有用。

答案落在组织心理学的一个构念上，叫可论证性（demonstrability），指的是团队能不能分辨出正确与错误的推理。跨八个基准，这个指标与相对最强成员的改进幅度强相关，Spearman 相关系数 0.90，p 值 0.005。

换个说法：正确推理一旦出现就能被认出来的时候，团队获益最大。认不出来，多几个成员吵也吵不出结果。

这条相关有个实际用途。它把要不要上多智能体从一个信仰问题变成了一个可以先测的量：先测成员能不能认出正确推理，再决定值不值得付协作那份算力。

更宽的那句主张

论文最后把结论推到了一层：组织本身可以成为一种智能体能力。智能体团队能够学会如何一起推理，产出成员独立到不了的解。

这句话的分量在于它指的方向。过去两年提升多智能体性能的主流路径有两条，一条是训练更大的单个模型，一条是手工设计更精巧的编排协议。如果组织方式是可学的，就多了一条更便宜也更通用的路：成员不变，改的是它们之间怎么说话。

需要留在桌面上的限定

有三件事现在还不能说死。

作者自己在传播时说明，这些结果仍待独立复现。增益在不同基准之间差异很大，66.7% 是五个基准的平均，不是每个基准都涨。

那 40 道题的构成也值得留意。15 道数学题加 25 道研究生级别的知识题，练习量小是这套方法的卖点，同时也意味着学到的策略对练习集的选取会敏感。

还有一层是评估口径。完美路由这个对照组是在成员独立答案上做的，它没有覆盖成员在讨论中被提示后才答对的情形，而那个情形恰恰是协作计算的核心。所以 59.0% 这个天花板，位置本身就是按独立作答定义的。

参考信源

• Aneesh Pappu、Mirac Suzgun、Yongchan Kwon、Federico Bianchi、Batu El、Mykel J. Kochenderfer、Hancheng Cao、James Zou《Self-Organizing Agent Teams Learn to Reason Together》，arXiv:2609.22682，2026-09-19 提交
• 论文摘要中关于五个基准 66.7% 对 48.8%、算力匹配 58.7%、完美路由 59.0%，以及 AIME 2026 上 13.4 个点的表述
• 跨八个基准可论证性与改进幅度的 Spearman 0.90、p 值 0.005
• COLM 2026 与 EMNLP 2026 workshop poster 收录信息