集体智能不仅取决于成员的知识，还取决于他们如何组织工作。当解题结构未知时，事先指定有效的角色和分工几乎不可能，团队必须在协作过程中通过经验学习组织推理的方式。人类团队能够自然地进行这种适应，而现有的 AI 智能体团队通常依赖固定协议、显式任务分解或路由机制。
我们提出了自组织智能体团队（SAT），它由固定的 AI 智能体组成，能够从以往的合作中学习可复用的策略，这些策略涵盖角色分配、对话阶段、参与度以及信息流动。通过这些策略，团队实现了所谓的协同计算：成员之间交换、质疑、修正并综合部分推理，形成单个成员无法独立得到的解答。
在两个独立的实验设置中，我们仅使用 15 道数学题和 25 道研究生水平的知识题，就学习到了可以直接迁移到未见基准的团队合作策略。跨越五个数学和物理基准，SAT 团队的平均准确率为 66.7%，显著高于最强单体成员的 48.8%、该成员在相同计算预算下的 58.7%，以及基于成员独立答案的完美路由器的 59.0%；在 AIME 2026 上，SAT 超过该路由器 13.4 分。
由于提升幅度在不同基准上差异明显，我们进一步探讨了自组织协作何时有效。通过在八个基准上测量“可示性”（组织心理学中的概念，指团队能否辨别正确与错误的推理），发现其与相对于最强成员的提升呈强相关（Spearman $\rho=0.90$, $p=0.005$），即当正确推理一旦出现即可被识别时，团队收益最大。
这些结果表明，组织本身可以成为智能体的能力：智能体团队能够学习如何共同推理，产生成员单独无法达到的解答。
点评