研究：AI智能体组队干活 花钱多提升少

让一队AI智能体一起干活，效果真的比单打独斗强吗？评测机构Vals AI的最新测试给出了一个让多智能体玩家尴尬的答案：绝大多数情况下，不值得。

研究团队用GPT-6 Sol和Claude Opus 5.5两款模型，在Vibe Code Bench基准上分别测试了单体智能体和智能体团队，每个都跑了中档和最高两档推理强度。结果是，团队模式的成本是单体智能体的1.8倍到5.1倍，但四组对比里只有一组出现了统计显著的提升——中档推理档的GPT-6 Sol团队高出7.3分。到了最高推理档，无论Sol还是Opus 5.5，组队都没带来实质优势。

更有说服力的是Anthropic自己放出的数据。在两项用Opus 5.5做的内部测试中，随着智能体数量增加，质量增益不断缩水：更大的团队确实能更快到达某个性能水平，但从10个智能体扩到100个，跑满24小时后分数只往上挪了一点点。在另一组ProgramBench测试里，知识库任务的得分从1个智能体的0.53涨到10个的0.70，可再往上加到30个、100个，只能爬到0.71和0.74；Lean定理证明任务同样在10个之后基本躺平。速度确实快了，代价是token消耗一路飙升。

OpenAI研究员Noam Brown此前在Dwarkesh播客上也确认过这个规律：多智能体系统买到的主要是速度，不是质量。4个智能体让任务快了一倍，成本也翻了一倍；加到16个，收益效率反而略有下滑。他补充说，效果高度依赖任务类型——网络调研和数学题能很好地并行，写小说不行，「往一部小说上砸一万个智能体，和派一万个人去写一样没有意义」。

OpenAI开发者Eric Provencher最近也公开提醒开发者别急着上智能体集群：大概率是白花钱，因为智能体之间的协调本身就会出问题，他称之为「协调税」。对正在疯狂堆并行智能体的团队来说，这轮交叉验证的结论相当一致——先把单体的推理强度拉满，再考虑要不要组队。

编译自 The Decoder，原标题："AI agent teams waste massive tokens for barely measurable quality gains, research finds"