多智能体系统有个没人拍板的老问题：活怎么分、功劳怎么算。现有两条路都留着缺口——训练时把编排结构焊死，个体能力与集体组织分开学，学完的组织不会随任务变；推理时的协调策略（轮流、消息总线、智能体图）全是手工设计，调参靠感觉。10 月 15 日提交 arXiv 的《Learning Self-Orchestration in Decentralized Agent Swarms》（编号 2610.22322）把这两件事拧到一起：让每个智能体自己「出价」，出价既决定这一轮谁上手，也决定集体收益怎么分成每个人的学习信用。
论文五位作者均属哈佛大学：Guowei Xu 与 Zhenting Qi（共同一作）、Amani Kiruga、Himabindu Lakkaraju、Yilun Du；主类别是 cs.MA，代码与训练模型已开源在 GitHub 的 Embodied-Minds-Lab/MPT。框架名叫 MPT，market-based post-training——市场化后训练。
出价的三重身份
设定是回合制任务，N 个参数独立的智能体，每个智能体每一步同时输出行动和出价，价高者获得行动权，平分随机，全零则跳过。真正有意思的是出价被同时用来分配学习信用：第 t 回合的累积价值按 v_t = r_t + b_t+1 乘 v_t+1 向前传，行动者自留 1 减 b_t 的比例。翻译成人话：出价越高，上场机会越大，但要让渡更多收益给前面的伙伴——谁给下游创造了价值，谁就该从下游的收益里分账。这正是经典的 bucket brigade 机制（Holland 1995；Baum 1999）换了个身体。
行动策略用 REINFORCE 加 per-agent mean baseline 更新，每个智能体只在自己上手的回合学。出价行为另有练法：论文定义「有争议回合」——亚军出了非零价；从该回合恢复环境状态，给胜者重新采样至多三次出价直到低于亚军，让亚军也能行动；两条分支用有争议回合之后的环境奖励总和打分，高分当偏好样本、低分当拒绝样本，用 Bradley-Terry 目标训练出价。训练节奏是 4 步行动训练加 1 步出价训练交替，两类行为共用同一套参数。
三个考场，一张成绩单
评测覆盖三类任务，每类都是三个角色一队。具身合成在 Minecraft MineStudio 里从空库存合成铁镐，3 个 Qwen3-VL-4B-Instruct 分饰 Logger、Miner、Smith，底层用冻结的 STEVE-1 控制器执行，每回合 120 个决策，12 类科技树事件分阶段奖励、上限 140。机器人导航是 VLN-CE R2R in Habitat，3 个 NaVILA-8B 分饰 Turner、Mover、Stopper，8 帧自我中心观测窗口，最多 64 个决策。深度研究用 3 个 gemma-4-E2B-it 分饰 Searcher、Opener、Finder，共享交互历史，二元终局奖励由 qwen3.5-flash 判分。基线是算力匹配的单体 REINFORCE——不是精心调过的编排系统。
留出集上（每实例 3 次运行取均值）：具身合成 MPT 41.5 对单体 20.3，导航 1.23 对 0.52，深度研究 21.0% 对 9.0%。更说明问题的对比在固定已训练行动策略之后：轮流 23.8、AgentNet 20.9、表现最好的 Graph-of-Agents 25.4，MPT 41.5，相对高 63.4%——同样的脑子，差别全在「谁上场」是学的还是定的。消融四档更直白：都初始 15.4、只学出价 21.5、只学行动 27.2、两类都学 41.5，是初始配置的 2.69 倍。还有一档对照：把出价只用来选人、信用分配改成随机数，成绩约 31——学到的出价同时还是更好的分账信号。
分工是学出来的
铁镐任务上，训练第 120 决策步处的参与度变了：Logger 从约 80% 降到 45%，Miner 从 10% 升到 40%，Smith 从 10% 微升到 15%——没有人规定谁该多干，集群自己把权重挪了位置。往下还有两组读数：迁到新目标（火把、石砖）约 10 的 18 次方适应 FLOPs 就达到 35 和 38，单体只有 17 和 19；推理时把种群从 3 复制扩到 12，五个子任务 pass@3 全面提升（木镐约 78% 到 97%、石镐约 69% 到 94%、熔炉约 66% 到 91%）；极端 dropout 概率 0.9 下，12 智能体群仍维持约 33 的回合奖励，3 智能体群只剩约 19——去中心化没有中央单点，冗余直接兑换成韧性。
放进台谱里看
站点 1781 讲过竞价式多智能体任务分配：那篇的出价在推理时用于派单——子智能体报成本、时延、置信度，调度器按综合得分派活；MPT 的出价在训练时用于分功劳。同一个价格信号，两种用法，隔着一条「推理时调度」与「训练时信用分配」的线，值得对照读。再往上游：1349 的 SAT 从 15 道题里学出可迁移的协作剧本，1970 的 ScaleMAS 论证把协调搬进共享消息库比拉群更抗规模化，1939 的 GitSwarm 把共享介质做成 git 仓库。共同母题是协调本身该被显式建模，MPT 的增量在于让协调随训练共同演化，且不需要中央协调者。
几盆该浇的冷水
三个任务都只有 3 个角色、基座不大（4B、8B 与 E2B 级），「去中心化」的代价——通信量、同步开销、信用估计的方差——论文没有单独计价；反事实重采样至多三次，争议更密的场景怎么办没有答案；bucket brigade 家族的老问题（冷启动、共谋空间）论文没有讨论；20% 上下的绝对成绩也提醒我们，这套机制目前赢在相对增幅，不在绝对水平。
给做多智能体训练团队一个便宜的先验：先固定行动策略，只训出价，看 21.5 到 41.5 的台阶是否在自己的任务上复现——复现了，再考虑把出价接进生产编排。