把多智能体放进同一座城
9 月 28 日的一篇 arXiv 论文（编号 2609.35916）做了一个直观又容易被忽略的实验：VehicleArena，一座写实的城市场景，让多辆由 LLM 控制的驾驶智能体同时跑。每辆车要完成不断冒出来的乘客需求、在车流里穿行；关键在于，一辆车的一次变道、一次绕路，会改写周围其它车的车流、延误和风险——也就是它们的观测与处境。
这戳中了多数多智能体评测的盲区：它们要么假设大家目标一致，要么直接规定好交互协议，很少研究「各自为政的智能体共享同一个物理世界」时会冒出什么。VehicleArena 要的就是这种涌现式的耦合。具体怎么耦合的？一辆车为了抢时间变道，后车就得刹车或重选车道，原本顺畅的车流被局部扰动；多辆车各自优化，扰动层层叠加，整片区域的延误和事故风险就被悄悄抬高。这种涌现式耦合，恰恰是真实城市与真实生产环境共有的特征。
焦点车的成功，是邻居的代价
基准给出 112 个评测任务，分单智能体与多智能体。九个模型测下来，焦点车自身的最高到达率约 65（单、多智能体接近），且乘客评分高并不必然等于真能跑完一趟。但最扎眼的结果在对照实验：在同等多车条件下，每一个被测策略都让周围车辆的到达率，低于模拟器原生交通控制器的水平。
为了确认这确实是外部性、而非单纯因为车多就慢，研究者做了对照：在同等车流密度下，让被测策略与模拟器原生控制器并排跑，结果原生控制器的整体到达率反而更高。这说明拖慢邻居的不是车多本身，而是各车自顾自的优化把局部收益转嫁成了全局成本——外部性是策略的产物，不是密度的副产品。
换句话说，一个智能体把自己的行程优化好了，代价是把它人的行程拖慢了。这种「外部性」此前多半被当成背景噪声，VehicleArena 把它量化出来。
这背后是一则老经济学常识在智能体世界的回响：个体理性不等于集体最优。过去多智能体评测常常只报某辆车或某个智能体的指标，等于默认邻居不存在；VehicleArena 把邻居拉回画面，提醒我们，当多个自主体共享同一资源——道路、带宽、算力、库存——一方的收益很可能是另一方的成本，单看局部指标会系统性高估系统表现。
「多智能体成功」要重新算账
这个结论的射程远超开车。任何把多个智能体放进共享环境、且动作会互相耦合的部署——调度、路由、资源分配——都会遇到同一道题：单看某个智能体的指标漂亮，放大到全局可能是在互相踩踏。评测若只报「焦点体得分」，就会系统性高估系统的真实表现。
对多智能体落地的提醒
对要做多智能体系统的团队，VehicleArena 的提醒是：把「外部性」写进成功标准。与其只优化单个智能体的到达率或完成度，不如在目标里加一项「对邻居的影响」，或用全局指标兜底，防止局部最优拼出全局更差。多智能体评测正从「单智能体能力」转向「协作与外部性」——VehicleArena 的贡献，是给了外部性一把可比较的尺子：当你说一个多智能体系统「更好」时，先问一句，周围那辆车，到得了吗。
落到工程上，一个务实的做法是：在评测目标里显式加入全局项。比如衡量整片路网的平均到达率、而非单车的到达率，或引入一个惩罚邻居延误的协作分；在部署时把智能体之间的共享状态做成可观测、可调度的资源，而不是各跑各的黑箱。只有当外部性被写进成功标准，多智能体系统才算真正学会了协作，而不只是各自聪明。VehicleArena 的意义，正是把这句周围那辆车从修辞变成可测量。