Эпоха агентной организации: учимся организовывать с помощью языковых моделей

The Era of Agentic Organization: Learning to Organize with Language Models

October 30, 2025

Авторы: Zewen Chi, Li Dong, Qingxiu Dong, Yaru Hao, Xun Wu, Shaohan Huang, Furu Wei

cs.AI

Аннотация

Мы представляем новую эру искусственного интеллекта, названную агентной организацией, в которой агенты решают сложные проблемы путем совместной и параллельной работы, достигая результатов, превосходящих возможности индивидуального интеллекта. Для реализации этого видения мы предлагаем асинхронное мышление (AsyncThink) как новую парадигму рассуждений с большими языковыми моделями, которая организует внутренний мыслительный процесс в параллельно исполняемые структуры. В частности, мы разрабатываем протокол мышления, где организатор динамически распределяет подзадачи между исполнителями, объединяет промежуточные знания и формирует согласованные решения. Что особенно важно, структура мышления в этом протоколе может быть дополнительно оптимизирована с помощью обучения с подкреплением. Эксперименты показывают, что AsyncThink обеспечивает на 28% меньшую задержку вывода по сравнению с параллельным мышлением, одновременно повышая точность математических рассуждений. Более того, AsyncThink демонстрирует обобщение освоенных возможностей асинхронного мышления, успешно справляясь с новыми задачами без дополнительного обучения.

English

We envision a new era of AI, termed agentic organization, where agents solve complex problems by working collaboratively and concurrently, enabling outcomes beyond individual intelligence. To realize this vision, we introduce asynchronous thinking (AsyncThink) as a new paradigm of reasoning with large language models, which organizes the internal thinking process into concurrently executable structures. Specifically, we propose a thinking protocol where an organizer dynamically assigns sub-queries to workers, merges intermediate knowledge, and produces coherent solutions. More importantly, the thinking structure in this protocol can be further optimized through reinforcement learning. Experiments demonstrate that AsyncThink achieves 28% lower inference latency compared to parallel thinking while improving accuracy on mathematical reasoning. Moreover, AsyncThink generalizes its learned asynchronous thinking capabilities, effectively tackling unseen tasks without additional training.