多智能体系统的老问题，是「人多了反而乱」。多数具身多智能体（也就是带身体、在物理世界里跑的一群 Agent）做法很直接：先摆一个固定的组织形态——比如一个总指挥带若干小兵，或者一群平级节点各自为战——再把任务塞进去。可物理世界的任务千差万别：有的环节能同时开工，有的环节必须等前一个环节出了结果才能动。用一套固定结构去套所有任务，难免要么互相踩踏，要么干等。
把人类组织学搬进多智能体
9 月 10 日提交的预印本 ORCH（Organizing Roles and Coordination Hierarchies）走的不是「堆更多模型」的路，而是借人类组织理论的成熟结论来搭组织。它把任务拆成两类互依关系：pooled 互依——几件事彼此独立、可以并行推进，奔着同一个目标；sequential 互依——件事有前置条件，必须按先后顺序接力。ORCH 据此为每次任务动态生成一个分层组织：能并行的工作放进同一组里并发做，有前置关系的环节排成有序的切换序列。
论文在 25 场野火救援任务上做了验证，覆盖侦察、救援、运输、资源管理、 containment 与 suppression，团队规模放到最多 50 个异构 Agent，底层换了 8 个大语言模型。结果很硬：人工设计的 ORCH 组织，最终得分平均比四种代表性具身多智能体方案高 63.97%，执行效率平均高 74.29%；即使用语言模型自动生成组织，得分也平均提升 43.63%、效率提升 52.53%。而且这些优势在不同任务、不同底层模型上都站得住。
最有意思的结论：规模不垄断能力
论文专门点了 long-horizon 任务里一个反直觉的现象——集体表现并不是模型越大越好，不是单调关系。分层组织让团队能在专业小组内部保持并发活动，同时在任务阶段之间做有序切换。换句话说，决定一群 Agent 能不能把事做成的，往往不是单兵的模型参数，而是「谁和谁一组、谁来等谁」这件事被安排得合不合理。
增量认知：多智能体的瓶颈正在从「模型够不够强」转向「组织搭得对不对」。ORCH 把组织设计从拍脑袋，变成了可由任务结构推导的工程步骤——这对救灾、仓储、工厂巡检这类长时程、多角色的具身场景，是直接可搬的思路。
优势与局限，分开看
优势很清楚：它给出了一套可复用的组织构造法，而且跨模型有效，意味着企业不必为换底座重写整套协作逻辑。局限也得说清：ORCH 的组织来自对任务互依关系的分析，前提是任务能被拆成可描述的环节；纯涌现、难以结构化的协作，它未必帮得上。自动生成组织的那版，提升幅度低于人工设计，说明「让模型自己定架构」目前仍不如人先定原则、再让模型填空。更公允的判断是——这篇论文没有发明新模型，而是把「怎么把一群 Agent 组织好」从玄学推进到了可测量的工程问题。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。