多智能体出问题时，先别急着怪沟通
几个智能体凑成一队干活，结果还不如一个模型单干，这类结果在过去一年里出现过不止一次。常见的归因是「沟通不够」——于是大家往通信协议上加料：多说几轮、加个总结环节、让一个智能体专门负责转述。但「沟通不够」是个太好用的说法，它能解释一切，也就解释不了任何一件具体的事。
arXiv 2610.37571 做的正是把这件事拆开。这篇论文提出 TeamGym，一个用来评测和训练语言模型智能体团队决策的环境，语料取自法律、金融、医疗和软件工程四类真实材料。它的抓手是一个叫「关键信息」的概念：一组事实，其中每一条都各自必要，合在一起又充分，缺任何一条决策就会出错。
这个概念的价值在于可控制。有了它，研究者就能精确摆布事实的摆放方式，然后看团队到底在哪一环掉了链子。
两道缺口，各掉二十来个点
实验用了八款语言模型、十二份源语料。基线是把关键信息整包交给单独一个模型——它手上什么都有，只需要自己做判断。然后研究者做了两件事。
其一把关键信息拆开，分散给团队里的不同成员。成员必须靠交流把拼图凑起来才能得到完整图景。结果是平均成功率下降 22.9 个百分点。论文把它叫作沟通缺口：信息不是没有，是没被送到该去的地方。
其二更进一步：不只把信息分散，还要求成员自己从原始材料里认出哪些是关键信息。也就是不许人喂，得自己找。结果是在沟通缺口之上再降 19.9 个百分点。这是检索缺口：即使队友愿意分享，它也可能压根不知道自己手里握着的那条有多重要。
两道缺口叠加约 42.8 个百分点。这个量级值得停下来想一想——它说明团队结构带来的损耗，可能远大于换一个更强模型带来的增益。
只给最终决策打分，却长出了协调
论文的后半段是补救。研究者用最终决策的对错作为损失做强化学习训练，两组策略训练实验都显示决策质量有提升，而且出现了论文称为涌现协调的现象：参与度的分化、发言对象的挑选、通信内容的变化，都随着训练出现了。
这一点很有意思，因为奖励信号里完全没有「说得好」这一项。模型没有被直接鼓励多说话，也没有被教该怎么转述，它只是因为最终决策正确而拿到奖励，然后自己长出了某种分工。如果这条结论站得住，它给工程实践的含义是积极的：不必手工设计通信协议，有可能通过端到端训练让它自己长出来。
但要留的余地也在这里。涌现出来的协调行为，并不等于模型真的学会了更高效的信息共享——它同样可能是学会了某种近似，比如在拿不准的时候多问一句、或者干脆少说话以减少干扰。论文公开摘要没有给出逐模型得分、语料的具体构成，以及协调行为的量化指标，因此无法判断这两者的比例。这些细节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。
和另外几份研究怎么对上
本站此前记过两份可以直接对读的工作。一份是异步共享记忆缓冲：它用一块共享缓冲替代同步轮流发言，让编排器按题目分量决定谁该说、说多少。另一份是免训练的通信路由：逐句逐个接收者地取消冗余消息，每条证据最多送达一次。两份都在减少通信量，也都拿到了正向结果。
TeamGym 补的是另一半：在动手优化通信之前，先确认要传递的东西到底有没有被分散。如果一份事实本来就可以整包给一个模型，却因为架构上预设了分工而被人为拆散，那么再精巧的通信协议也只是在弥补一个自找的缺口。
对正在搭多智能体系统的团队来说，这给出了一条很朴素的检查顺序：先问这份信息是不是必须分散；如果必须，再问接收方能不能自己认出哪些是关键；最后才轮到通信协议怎么设计。把顺序倒过来，通常就是那 42.8 个百分点的来源。