11 月 17 日,一组 12 位作者在 arXiv 上传了关于多智能体记忆不一致的研究(2611.22245)。实验用 Harvey LAB 的 11 个法律尽调任务,每份文档埋 5 到 7 处人为的数值冲突,合计 73 处,要求系统写出“红旗”报告;三款模型、三种委托策略各跑两遍,共 198 次执行、1314 个冲突观测,单轮生成预算统一为 59.60 美元。
三种策略的差别在于谁能看原文。单智能体自己读文档;可选委托允许 Lead 自行决定要不要创建 Worker;强制委托下 Worker 分区阅读,Lead 不得直接翻原文,只能汇总。结果与直觉相反,强制委托把两端矛盾都被检索到的比例从 50.2% 提到 68.7%,但报告里真正识别出冲突的比例从 16.2% 掉到 13.2%。可选委托的判定率最高,24.2%。
论文把漏点定位在交接。438 个强制委托观测里,源文档同时含两端主张的有 301 例,占 68.7%,到了 Worker 的汇报里只剩 106 例,占 35.2%。证据被拆到两个 Worker 时,73.2% 的案例至少漏掉一端;同一个 Worker 读到两端时判定率 72.2%,拆开就只剩 17.1%。委派带来的检索优势,常常在写汇报那一步被抹掉。
模型的委派倾向差别很大。可选委托的 22 次执行中,Claude Haiku 5.5 每次都创建了 Worker,GPT-5.6 Luna 只有 9 次,GPT-6 Luna 10 次。Haiku 在强制委托下把检索率拉高 44.5 个百分点,判定率只涨 2.1 个百分点,读得更多,报得更少。
边界也清楚:11 个任务、每个模型每种策略两遍,冲突全是数值型,判定由 claude-sonnet-5 做裁判,人工复核还发现 3 个标签误判。作者给出的改进方向是 Worker 到 Lead 的交接格式,而不是换更强的模型。