把多智能体竞争，从棋盘搬进市场
九月二十八日，一篇提交到 arXiv 的论文 CEO Arena（编号 2609.34821）把多智能体竞争放进了一个能反复重跑的市场沙盒。它设定了八家虚拟公司、一条共享的经济种子、跨度为五百个模拟日的经营周期，让多个由大模型扮演的 CEO 智能体在定价、采购、营销、研发、服务这几类决策上依次出手。每个 CEO 拿到的不是全局真相，而是私有公司信息和带噪声的市场信号，并且要在资源约束和延迟反馈下做决定。也就是说，它考的不是某个智能体「会不会算账」，而是当一群会自适应的对手同场博弈时，长程竞争到底把系统带向哪里。
大多数「CEO 智能体」在模拟里亏了钱
论文在二十七个主运行加二十六个稳健性运行里，对比了八个 LLM 系 CEO 智能体。结果里最扎眼的一条是：多数智能体的平均收益为负。更值得玩味的是，私人获利常常伴随市场亏损——某个智能体把自己的公司做好了，却可能以对手定价或投放被牵动为代价，给大盘留下外部性。五十六个有向效应对中，只有四对表现相对稳定，意味着绝大多数策略的相互影响既脆弱又难预测。作者用记忆、行动与账务轨迹推测，需求攫取以及对手在定价和投放上的反应，可能是这类此消彼长的主要解释。
它的方法亮点：matched replacement 评估
CEO Arena 真正的方法贡献，在于它怎么量。它不简单比绝对业绩，而是把其它智能体固定下来，让每个 CEO 与同公司、同种子下的参考策略对照，从而分离出这个智能体对自身的影响，以及对对手和整个市场的影响。这种做法把「一家公司的回报」和「它对邻居与大市的溢出」同时摆上桌面，正是长程竞争里最难也最该被量化的部分。对企业和监管而言，这提出了一个朴素但常被忽略的问题：当你部署一批自主决策的智能体进真实市场，它们 collectively 会不会把市场带向更稳还是更乱，不能只看单家 KPI。
为什么它比「通关式」基准更难糊弄
过去许多多智能体基准要么比输赢，要么把交互压在很短的步数里，要么干脆把各智能体的个体表现加总。CEO Arena 反其道而行：延迟反馈加噪声信号，意味着你没法靠背答案过关；对手会随你的行为调整策略，意味着博弈不会静止；而外部性这条线，又会把单 Agent 的「会做事」和「对市场有益」剥开。它当然是一个被高度风格化的五百天模拟市场，不等于真实经济，测试的具体模型也有限，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。但它的价值在于，把「多智能体竞争的市场外部性」做成了可重跑、可对照的试验台。
它和真实市场的距离
也要泼一盆冷水。CEO Arena 的五百天是高度风格化的模拟：公司数量、决策类型、信号噪声都是研究者预先设定的，真实市场里还有监管、舆情、供应链断裂等它装不进的变量。论文测试的具体大模型也有限，结论的泛化边界仍需更多模型来验证。所以把它当成「证明自主 Agent 会扰乱市场」的证据还为时过早，更稳妥的定位是一个方法论样本——它示范了怎么把外部性从一句口号变成可对照的指标。这一步本身，已经比过去那种只看单 Agent 通关率的基准往前挪了一截，值得后续研究沿同一思路把场景做得更厚。
给选型与监管的增量认知
落到实务，这条线的启示有两点。其一，企业在考察用于战略场景的多智能体系统时，单智能体基准上的高分不能直接搬过来，必须额外量它对邻局和系统的溢出，否则容易在沙盘里好看、上线后互相踩踏。其二，当自主智能体开始以「决策者」身份进入市场，这本身就是一个新的治理界面，值得在沙盒阶段就被当成外部性议题来研究，而不是等出事再补规则。论文本身的结论仍偏探索，但它把问题摆对了位置，这比一份漂亮的单点分数更有长期价值。