CollabFlow позволяет LLM-агентам объединяться в команды под управлением обучаемого директора — и улучшаться с каждым раундом. На 12 датасетах система обходит все базовые методы, а механизм распределения наград удерживает в игре несколько сильных команд одновременно. Как это устроено. Collab-Director составляет команды агентов, замороженный executor выполняет задачи, а результаты идут на дообучение директора. Протокол Evidence-Conditioned Communication разрешает агенту принять иной ответ от коллеги, только если тот превысил порог силы доказательства. Collaborative Trajectory Balance (CTB) распределяет вознаграждение пропорционально — несколько хороших команд остаются в игре, а не вымывается только одна. Abstract не раскрывает архитектуры агентов, базовые модели и вычислительные затраты на обучение директора; масштабируемость на более сложные задачи не проверялась. Что это значит: рекурсивное самоулучшение команды агентов выглядит рабочим направлением — но без деталей по железу и метрикам пока рано говорить, насколько оно практично.