旧基准只数结果，不问过程
九月二十八日提交的 arXiv 论文 MASTraceBench（编号 2609.34496）指向一个被现有评测绕开的问题：当我们说「多智能体协作有效」，到底有效在哪里、又会从哪流失。现有多智能体基准大多盯着最终答案对不对，协作过程是否被改善、被保持还是被毁掉，基本是黑箱。MASTraceBench 的做法是沿着「提案轨迹」去诊断和打分——在六个合作与竞争混合的任务上，它追踪并评估每个智能体的提案是怎么产生、怎么被聚合、又怎么变成最终答案的，并配上一套多层指标：任务得分、协作增益、提案轨迹指标，以及常被忽视的 Token 成本。
一个反复出现的规律：最终答案很少超过最佳初始提案
论文用这套框架系统对比了几类代表性多智能体方法，发现一个耐人寻味的常态：最终答案很少能超过最佳的那条初始提案。交互往往做的是把较弱的初始提案往上托，靠近那个最佳的；而本来就很强的初始提案，反而很少被进一步推高，甚至可能因为被拉去迁就别人而发生回退。换句话说，很多所谓「协作增益」，实质是 redistributing upward，而不是凭空创造出一个更好的新解。这对企业是个警醒：如果你的多智能体系统只是在做平均、投票或直接采纳，你很可能一边留住了最佳想法，一边又悄悄把它拖下水。
CLEARS：把「整提案交换」换成「声明级评估」
顺着这个发现，论文提出 CLEARS 方法，把智能体之间「整段提案直接交换」改成「声明级评估」——把提案拆成可核验的声明，跨智能体逐条比对后再做可靠合成。这个改动看似细小，效果却明确：CLEARS 更常保住或抬升最佳的初始提案，并在六项任务里有五项取得了最高的协作增益。它的工程含义很直接：多智能体合成不要急着吞下整段对方输出，先问清楚「你这句话里哪几条主张是可核验的」，往往比盲目融合更稳。
声明级评估不是银弹：它也要付成本
也要把话说全。CLEARS 把粒度从整提案降到声明，意味着多了「先拆解、再逐条比对」的一步往返，每次合成都要付出额外的模型调用与延迟。在提案本来就短、信息已经干净的简单任务上，这层开销未必能换来等价的增益，反而拖慢节奏。更关键的是，它假设每条声明都能被独立核验——当任务进入权衡类、价值判断类或没有客观标准的领域，可核验性本身就会变弱，声明级比对也就从标尺退化成又一层主观聚合。所以把它当成默认范式去套所有多智能体系统，并不比过去「直接投票」更稳妥；它真正划算的场景，是那些提案长、证据可验证、又容易被互相带偏的复杂协作。
对选型的两个实在提醒
抛开论文本身的指标，MASTraceBench 给实务留下两条可操作的提醒。其一，评估多智能体不能只看交付物，要看过程里有多少无效消耗——一个任务即便成功，也可能有大量动作是冗余、互相抵消甚至添乱的。第二，Token 成本这条指标必须和效果一起看，因为「多加几个 Agent」在不少场景里换来的不是更好，而是更贵且更易回退。当然，论文只在六个任务上验证，声明级评估自己也会带来额外开销，且测试模型有限，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。但它把「协作增益从哪来」量了出来，已经比只报一个总分更有用。
一条被低估的评估转向
把视野拉宽，MASTraceBench 与差不多同期出现的多智能体长程协作、协作记忆边界等基准，共同指向同一件事：多智能体评测正在从「终局比分」转向「过程可解释」。当企业真的把十几个智能体编进一条生产工作流，能解释「谁贡献了什么、哪一环在拖后腿」，比一个漂亮的总分更能决定你敢不敢放它上线。这条转向不会让旧基准立刻失效，但会重写我们给多智能体打分的尺子。