Badacze opracowali metodę SAT (Sequential Agent Tuning) do treningu wielu dużych modeli językowych bez centralnego koordynatora, gwarantując monotoniczny postęp w nauce. Podejście plug-and-play umożliwia łatwe łączenie różnych LLM-ów w rozproszonymi systemach. Rozwiązanie ma znaczenie dla efektywnego skalowania treningów na wielu modelach i zmniejszenia złożoności architektonicznej systemów AI.