研究显示 AI 智能体团队消耗大量 token 却几乎不提升质量
AI agent teams waste massive tokens for barely measurable quality gains, research finds
AI 导读
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5 的单智能体与团队模式，团队成本是单智能体的 1.8 倍到 5.1 倍，四次对比中只有 GPT-6 Sol 在中等推理强度下团队得分高出 7.3 分，最大推理强度下两种模型都无实质优势。
正文· AI 翻译
2026年10月11日
研究发现，AI 智能体团队交付的结果几乎并不比单个智能体更好。
评估公司 Vals AI 在“Vibe Code Bench”上测试了 GPT-6 Sol 和 Claude Opus 5.5，分别以单独运行和团队形式，在两种推理级别下进行：中等和最大推理强度。团队的成本比单个智能体高出 1.8 倍到 5.1 倍。
在团队与单个智能体的四项对比中，只有一项显示出统计上显著的提升：GPT-6 Sol 在中等推理强度下，团队得分高出 7.3 分。在最大推理强度下，团队设置对 Sol 和 Opus 5.5 都没有带来任何真正的优势。结果表明，在大多数情况下，智能体团队的额外成本并不值得，尤其是当模型已经在满算力下运行时。
Anthropic 在其自身使用 Opus 5.5 的两项测试中发现，随着增加更多智能体，质量提升逐渐缩小。更大的团队更快达到给定性能水平，但从 10 个智能体增加到 100 个智能体，24 小时后得分仅略有上升。在单独的 ProgramBench 测试中，速度提升伴随着更高的 token 用量。
| 使用 Opus 5.5 的任务 | 1 个智能体 | 10 个智能体 | 30 个智能体 | 100 个智能体 |
|---|---|---|---|---|
| 知识库 | 0.53 | 0.70 | 0.71 | 0.74 |
| Lean 定理证明 | 0.39 | 0.66 | 0.66 | 0.68 |
Fable 5.1 在超过 10 个智能体的 Lean 定理证明任务上表现出更强的质量提升，但在所有测试中得分仍低于 Opus 5.5。在知识库任务上，Fable 的得分在从 30 个智能体扩展到 100 个智能体时实际上略有下降。
更多智能体换来速度，而非更好的输出
OpenAI 研究员 Noam Brown 在 Dwarkesh Podcast 中确认，多智能体系统主要换来的是速度，而非更好的质量。四个智能体解决任务的速度快了一倍，但成本也翻了一倍。在 16 个智能体时，这一模式依然成立，但效率略有下降。
这种效果在很大程度上取决于任务。网络研究和数学可以很好地并行化，但写小说不行，他说。向一部小说投入 10,000 个智能体，就像向它投入 10,000 个人一样毫无意义。Brown 承认，扩展到极大量智能体在很大程度上仍未被探索，因为成本实在太高。
OpenAI 开发者 Eric Provencher 最近正是出于这个原因警告不要使用智能体集群。他认为，它们很可能是在浪费钱，因为智能体之间的协调会崩溃。他称之为协调税。
没有炒作的 AI 新闻——由人类精选
订阅 THE DECODER，享受无广告阅读、每周 AI 新闻通讯、每年六次独家“AI Radar”前沿报告、完整档案访问以及评论区访问权限。
- 完整访问 THE DECODER 上的每一篇文章
- 无广告
- 加入评论和社区讨论
- 每周通过邮件获取 AI 新闻摘要
- 每年 6 次：“AI Radar”——深入探讨最重要的 AI 话题
- 每日 AI 新闻，始终最新
- 我们完整的十年档案
- 由拥有 10 年以上 AI 经验的团队覆盖