스탠포드 논문에서는 AI 팀이 토론 및 투표 모델보다 성능이 우수하다고 밝혔습니다.

본문

Stanford의 Self-Organizing Agent Teams는 수학 및 물리학 벤치마크에서 66.7%의 정확도를 달성하여 개별 AI 모델과 소수의 예에서 팀워크 전략을 배우는 기존의 Self-Organizing Agent 팀을 능가했습니다. 새로운 Stanford University 논문에서는 AI 에이전트 그룹이 과거 경험의 작은 세트에서 협업하는 방법을 배우고 이러한 팀워크 전략을 완전히 새로운 문제에 적용하는 프레임워크를 소개합니다. SAT(Self-Organizing Agent Teams)라고 불리는 이 접근 방식은 5개의 수학 및 물리학 벤치마크에서 평균 66.7%의 정확도를 기록했으며, 그룹 내 최고의 개별 에이전트(48.8%)를 가볍게 앞질렀습니다. 전통적인 다중 에이전트 AI 설정은 엄격한 플레이북을 따르는 경향이 있습니다. 에이전트는 문제에 대해 토론한 다음 답변에 투표합니다.

SAT는 상담원 팀이 역할, 참여 규칙, 대화 단계 및 정보 흐름 패턴을 포함하여 자체 조직 구조를 개발할 수 있도록 함으로써 근본적으로 다른 접근 방식을 취합니다. SAT 팀은 단 15개의 AIME 2024 문제 또는 25개의 GPQA 다이아몬드 문제에서 공동 플레이북을 도출한 다음 이러한 전략을 변경하지 않고 이전에 본 적이 없는 완전히 별도의 벤치마크로 이전했습니다. 에이전트는 추론을 교환하고, 서로의 논리에 도전하고, 부분적인 솔루션을 결합하여 단일 에이전트가 혼자서는 생성할 수 없는 답변에 도달합니다. 좋은 추론이 나타나면 이러한 팀은 이를 인식하고 실행합니다. 2026년 초에 발표된 관련 Stanford 연구에 따르면 동일한 컴퓨팅 예산이 주어지면 단일 에이전트가 다중 에이전트 설정과 일치하거나 성능이 더 뛰어난 경우가 많습니다.

무차별적인 토론 프로토콜보다는 학습된 조직 전략에 초점을 맞춤으로써 프레임워크는 협업이 앙상블이나 개별 추론이 제공하는 것 이상의 진정한 이점을 얻을 수 있음을 보여줍니다. SAT의 66.7%와 컴퓨팅 일치 단일 에이전트의 58.7% 사이의 격차는 가치가 더 많은 모델을 갖는 것이 아니라 함께 작동하는 방법을 아는 모델을 갖는 데 있음을 시사합니다. SAT와 같은 AI 협업 모델은 전통적인 방법을 뛰어넘어 추론과 정확성을 향상시켜 문제 해결에 혁명을 일으킬 수 있습니다. 포스트 스탠포드 논문에서는 AI 팀이 토론 및 투표 모델보다 뛰어난 성능을 보인다는 사실이 Crypto Briefing에 처음 등장한 것으로 나타났습니다.