多智能体系统里有个默认设置很少被摆上台面：同伴智能体报上来的情况，默认是真的。10 月 13 日提交 arXiv 的 CLASHarness（编号 2610.19128）把这个默认设置拆了——它造了一个专门装冲突的基准，600 道多轮任务，15 个前沿模型上场，专考一件事：当子智能体开始撒谎、抢锁、下达互相矛盾的指令时，主智能体怎么办。
先锁事实，再出题
评测冲突解决有个老麻烦：手工出题 scaling 不动复杂系统，放任 LLM 生成又会带来叙事漂移、答案泄漏和无法满足的评分标准。CLASHarness 的 pipeline 是工程解法：分层场景规划打底，八步验证微流水线串场，关键一招是在渲染之前先把决定性的视觉事实冻结，再从实跑通过的参考轨迹里直接编译混合评分器——代码判分加语义判分。结果是每道题构造上可解：不存在题目本身无解、或者评分器胡乱扣分的情况。冲突的三张面孔也定了型：同伴报的情况和环境已经不符（过期状态）、两个智能体给出互相打架的指令（矛盾指令）、多个角色争抢同一份权限与文件（争抢共享资源）。
三个瓶颈，一个比一个具体
15 个前沿模型跑下来，论文点了三个名。其一是盲信：子智能体的输出和环境冲突时，弱模型照着误导信息演，强模型会去看画面、自己验明真相——这一关分的是模型成色。其二是修复难：发现不一致并不难，难的是动手把系统状态改回正确，一修复，任务成功率明显往下掉。发现问题是识别，修复问题是执行，中间隔着整本操作谱系。其三是收尾：超过 58% 的收尾动作失败，最常见的两种死法是忘释放共享的锁、忘把任务交出去——前沿模型也照犯。前两关考智能，第三关考协作协议，而协作协议恰恰是过去基准几乎不碰的暗区。
放进赛道里看
把这个基准放进站内的叙事网格里，位置很清楚。1464 的年度观察问的是「计算机使用智能体到哪了」，答的是能力半径；GraceBench（1925）问的是「路走稳了吗」，答的是过程质量；CLASHarness 问的是「旁边有人的时候怎么办」，答的是协作可靠性——三层问题，一层比一层接近真实部署。它和 1176 那篇「无规则的事实」是同一枚硬币：多智能体交接时元数据一塌，糊涂账就开始了，CLASHarness 把这种糊涂账做成了可量化的考题。构造手法上也能和 1903 的 FrontierCode 对读：一边用私有集加轨迹扫描防污染，一边用「先冻结事实再编译评分器」保证可解，基准的基础设施正在集体升级。对 1902 的 Sociodrama 也是个补充——那边修的是社会性故障（知情者沉默、声音被锚定），这边修的是操作性故障（锁没放、活没交），合起来才是多智能体的完整病历。
需要保留的怀疑
600 道多轮任务是个严肃的起点，但计算机使用的世界远比它宽；冲突类型目前锁在三种，真实协作里的 Political 操作（临时结盟、策略性隐瞒）还没进门。评分器从参考轨迹编译，好处是可验证，代价是可能隐含「标准路径」偏好——换个解法但结果正确的轨迹，得分机制是否公平，要等论文细节和后续复现。摘要未提及代码与数据是否开源、冲突注入的多样性如何控制，这些都要等全文。以及那句老话：15 个前沿模型是快照，框架一升级，读数可能整体搬家。
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。给正在跑多智能体系统的团队一条动作：别只画任务流程图，把「收尾清单」也写成显式协议——锁谁放、活怎么交、状态谁确认、异常谁兜底。58% 这个数字与其说是模型的耻辱柱，不如说是协议的空档：你把规矩写明白了，模型才有的可犯。