一句被反复引用的结论，换了个场景就变味
多智能体系统到底值不值，过去一年有个说法流传很广：协作能不能压过单智能体，取决于单智能体现在有多弱——它弱的时候，多智能体帮得上忙；它强了之后，多智能体反而拖后腿，交叉点大约在单智能体准确率 45% 附近。但这条「能力饱和定律」是从无人参与的自主基准上推出来的，那时没有真人介入。arXiv 2610.27655 把这道题重新搬到了智能体真正干活的地方：一个有用户在场、按书面策略办事的双控场景。
研究者用 τ2-bench 的航空、零售、电信三个领域，拿六个来自三家厂商的模型，把现货单智能体和用同模型搭的集中式多智能体做了对照，跑了大约 7950 次模拟对话，每一次都记一本 token 账。结果挺扎心：在 13 个有效单元格里，多智能体有 12 个不如单智能体，仅打平的那个也只是在某个更接近 45% 的单元格、换了个模拟器才勉强追平；加权均值落后 28 分，置信区间落在负 44 到负 12 之间。定律预言会受益的那两个格子，多智能体反倒分别输了 13 分和 22 分。
没有预算天花板，最多打个平手
更现实的一笔账在开销上。研究特意比较了「放开预算上限」的情形：即便允许多智能体敞开用 token，它至多只能靠大约 5.5 倍的消耗，把成绩拉到和单智能体平起平坐。而且它并没有明显减少错误的数据库写入，只是把别的失败类型转化成了预算耗尽和原地不动。也就是说，在「服务真人、按规矩办事」的设定里，单智能体是更稳的默认项，多智能体若想上位，必须拿出与计算量相匹配、且来自这个场景本身的证据。
这篇的硬底气来自它的做法：研究做了预注册，公开了变更日志，并放出了全部轨迹、账目、提示词和代码。作者也坦白一个瑕疵——多智能体那版的规划器从没见过工具的结构说明，有一个有效性门槛没迈过。但这反而让结论更可信：它不是先有结论再挑数据。对做多智能体框架的人，这等于把一句流行话按了暂停键——别再拿自主基准上的好处，去替真实协作场景打包票；要证明多智能体有用，先在自己要落地的那个场景里，把计算和单智能体对齐了再比。