背景：一条来自自主基准的经验规则，被搬到有人的场合
多智能体系统（MAS）被大规模部署，前提假设是协作优于单智能体系统（SAS）。但「什么时候优于」一直没有定论。此前系统性程度较高的一项研究给出了一条能力饱和规则：当 SAS 较弱时协作有帮助，一旦 SAS 变强协作反而有害，交叉点大约在单智能体准确率 45% 附近。
这条规则有一个重要限定：它是在自主基准上推导出来的，场景中没有任何用户参与。而今天大量智能体的实际工作方式恰恰是反过来——它们在对话中与人协作，并且要遵循一份书面策略。arXiv 2610.27655 的作者要检验的就是：把同一条规则搬到有用户在回路的场景，还成不成立。
论文 A：双控制场景下的 13 个有效格
论文 A 编号 arXiv 2610.27655，作者为 Ethan Yang 与 Xiangcheng Shi，2026 年 10 月 20 日 05 时 13 分（UTC）提交，学科标注为人工智能与多智能体系统，篇幅 62 KB。基准是 τ²-bench，一个双控制基准：智能体在与模拟用户对话的同时遵循书面策略。覆盖航空、零售、电信三个域。
设计上比较的是标准 SAS 与用同一模型构建的集中式 MAS，共六个模型、三个家族，约 7,950 次模拟对话，每个回合、每个系统各记一份 completion token 账本。研究做了预注册并公开变更日志，这一点在同类实证里不多见。
| 项目 | 设置与读数 |
|---|---|
| 基准 | τ²-bench（双控制：用户参与 + 书面策略） |
| 域 | 航空、零售、电信 |
| 模型 | 六个模型，来自三个家族 |
| 规模 | 约 7,950 次模拟对话 |
| 计量 | 每回合、每系统一份 completion token 账本 |
| 有效格 | 13 个 |
| 胜负分布 | MAS 输 12 格，平 1 格，胜 0 格 |
| 拟合加权均值 | 负 28 分，95% 置信区间 负 44 到 负 12 分 |
| 规则预测应受益的两格 | MAS 分别输 13 分与 22 分 |
| 无预算上限时 | 至多打成平手，代价是 SAS 的 5.5 倍 token 支出 |
| 能力相关性斜率 | 负 0.41，95% 置信区间 负 1.51 到 正 0.68，未解决 |
| 有效性 | 一项有效性条件未达成：MAS 的规划器从未见过工具 schema |
安全侧的结果也值得记一笔：MAS 没有可检出地减少错误的数据库写入，它只是把一部分失败类型转换成了预算耗尽与不作为。也就是说，多出来的协调成本并没有换来更安全的动作，只是换了一种失败形态。
论文 B：会遗忘的四智能体团队
论文 B 编号 arXiv 2610.20563，标题为《Scaling Discovery Requires Forgetting》，10 月 14 日提交，作者共 11 人，机构包括加州大学伯克利分校、斯坦福大学与 Bespoke Labs，其中包含 Koushik Sen、Alex Dimakis 与 Matei Zaharia。
它研究的是自动科研：智能体提出方案、裁判打分、智能体用分数决定下一步试什么。作者比较三种扩展方式——让一个智能体迭代更久、多个智能体并行、并行且互相通信。三者的共同问题是都会随着历史积累而进入平台期：智能体被自己的过去尝试锚定，编辑越来越少、越来越小。
解法是遗忘：周期性丢弃搜索状态，包括每个智能体的会话与候选历史，只保留目前找到的最优候选，然后从它重启。实验里遗忘三次，把预算切成四轮。四个任务分别是 AtCoder Heuristic Contest 014 的启发式求解器、Frontier-CS Q171 的优化题、Anthropic 在模拟 VLIW SIMD 机器上的内核性能挑战，以及一个小型语言模型的五分钟训练脚本。执行用 Pi 智能体、DeepSeek V4.1 Flash 模型，每个配置跑三次。
| 任务 | 单智能体 | 四智能体并行 | 会遗忘的团队 | 团队相对单智能体 |
|---|---|---|---|---|
| AtCoder AHC014（千分，越高越好） | 795 | 964 | 1,103 | 提升约 38.7% |
| VLIW 内核（周期数，越低越好） | 1,262 | 1,172 | 1,077 | 周期减少约 14.7% |
| 报告口径上限 | — | 相对并行至多 +15% | — | 相对单智能体至多 +39% |
平台期本身也有量化证据：在首次重置之前，团队的编辑量从约 150 行降到约 30 行，每轮推理 token 从约 28,000 降到约 7,000。也就是说，预算还在花，动作的幅度却在塌缩。
正面照：两份论文的条件差在哪里
两篇论文的结论方向相反，但它们的实验条件几乎在每个维度上都不同。把条件差摊开，比争论谁对谁错更有用。
| 维度 | 论文 A（2610.27655） | 论文 B（2610.20563） |
|---|---|---|
| 是否有用户在回路 | 有，智能体与模拟用户对话 | 无，全自动跑分循环 |
| 任务性质 | 收敛型：存在正确动作，遵循书面策略 | 发散型：开放式发现，无标准答案 |
| 判分方式 | 基准判定是否合理处理 | 可执行的评分器给出连续分数 |
| 协调开销能否被摊薄 | 不能，对话轮次受用户节奏约束 | 能，多轮搜索本身就要花预算 |
| 历史的作用 | 上下文即正确性依据，不能丢 | 历史成为锚定负担，丢掉更好 |
| 模型与框架 | 六模型三家族，集中式 MAS 对标准 SAS | 单一模型 DeepSeek V4.1 Flash、单一框架 Pi |
| 结论 | MAS 12 输 1 平 | 团队相对单智能体至多 +39% |
把两篇并排看，多智能体的收益并不主要取决于模型本身的能力档位，而取决于两件事：任务是否存在可判定的正确性依据，以及协调开销能否被摊薄。在双控制场景里，正确答案由策略文本与用户诉求共同决定，协调不能带来新信息，只会消耗轮次与预算；在自动科研场景里，没有标准答案，多智能体的价值恰恰是提供多样性，而多样性的敌人是历史锚定，所以遗忘有效。这个解释框架是本文基于两篇论文的条件差提出的，两篇原文均未做此对照。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。
本文推算：成本效率差约 4 倍，且方向相反
两篇论文都给了成本相关的读数，但口径不同，需要换算到同一把尺上才可比。这里用「每单位收益的 token 成本」这一把尺，做一个量级上的对照。
| 论文 | 成本读数 | 收益读数 | 本文换算的成本效率 | 方向 |
|---|---|---|---|---|
| A：双控制 | 无预算上限时 MAS 花 SAS 的 5.5 倍 token | 至多打成平手 | 成本效率约为 SAS 的 1/5.5，即约 0.18 倍 | 负向 |
| B：自动科研 | 同等总 token 预算 | 相对单智能体至多 +39% | 成本效率约 1.39 倍 | 正向 |
| 两篇之比 | — | — | 1.39 除以 0.18，约 7.7 倍 | 方向相反 |
以「每单位收益的 token 成本」为尺，论文 A 的 MAS 效率约为 SAS 的 0.18 倍（1 除以 5.5），论文 B 的团队效率约为单智能体的 1.39 倍（1 加 0.39）。两者相除约为 7.7 倍。需要强调三点限定：其一，论文 A 的 5.5 倍出现在「无预算上限时最多打成平手」这一最有利条件下，若计入预算封顶的场景，MAS 的表现只会更差，因此 0.18 是偏乐观的估计；其二，论文 B 的 39% 是四个任务中的上限值，不是平均值，取平均会明显低于 1.39；其三，两篇的收益单位不同，A 用百分点，B 用相对提升率，本换算只做量级对照，不能当作可直接引用的指标。上述换算均为本文算术推导。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。
能力饱和规则为什么在双控制场景失效
论文 A 最有价值的部分不是「MAS 输了」，而是它精确指出了旧规则在哪里失效。按能力饱和规则，在 SAS 准确率低于约 45% 的格上，协作应当带来收益。实验里恰好有两个格落在这个预测区间，结果是 MAS 分别输 13 分与 22 分。
仅有的一处正向结果出现在最接近 45% 的那个格上，但前提换用了第二个模拟器。这个细节很关键：它说明所谓「受益」极其脆弱，换个用户模拟器的实现就可能消失，而不是一个稳定的能力区间现象。
关于「增益是否随能力上升而下降」这个问题，论文给的斜率是负 0.41，95% 置信区间为负 1.51 到正 0.68，跨过零点，因此未能解决。原因是模型与域的交互效应压过了能力主效应。这意味着想用「我们模型弱，所以上多智能体」来做决策，目前没有可靠的实证支撑。
锚定效应：两篇论文其实在说同一件事
表面上两篇结论相反，但机制层面有一处交汇：两者都在说「上下文的累积方式决定了后续行为的质量」。
论文 A 里，双控制场景的上下文包含用户诉求与策略条款，这部分不能丢，所以协调只能是加一层规划而无法重排已有信息；加进去的那层在轮次受限时变成纯开销。论文 B 里，上下文主要是自己的失败尝试，这部分丢掉之后多样性反而恢复。
| 上下文里装的是什么 | 丢掉的后果 | 多智能体的作用 | 结论 |
|---|---|---|---|
| 外部约束（用户诉求、策略、工具结果） | 直接出错 | 无法替代，只能叠加 | 协调变为净开销 |
| 自身历史（失败尝试、旧候选） | 释放探索空间 | 提供多样性 | 协作加遗忘带来净收益 |
对工程团队的直接含义是：在决定要不要上多智能体之前，先回答一个问题——你的任务里，上下文的主要成分是外部约束还是自身探索历史。前者为主时，把预算投在单智能体的上下文治理上更划算；后者为主时，才值得为多智能体付出协调成本，并且要认真考虑周期性重置。
读榜检查：五条不能跳过的口径提示
| 序号 | 提示 | 影响 |
|---|---|---|
| 1 | 两篇均为预印本，未经同行评审 | 结论应作方向性参考，不宜作为采购或架构的单点依据 |
| 2 | 论文 A 一项有效性条件未达成：MAS 规划器从未见过工具 schema | 作者已主动披露；这可能压低 MAS 表现，真实差距或小于 28 分，但方向未变 |
| 3 | 论文 A 只用一个基准（τ²-bench）的三个域 | 外推到其他双控制场景需谨慎 |
| 4 | 论文 B 只用一款模型与一款智能体框架，每配置三次运行 | 样本量小，39% 为上限值而非期望值 |
| 5 | 两篇的「多智能体」定义不同：A 为集中式规划加执行，B 为并行加通信 | 不能把两者的结论合并成一条通用规则 |
工程判据：什么时候该上多智能体
把两份实证合起来，可以得到一份更保守但也更可用的判据清单。
| 判据 | 倾向单智能体 | 倾向多智能体 |
|---|---|---|
| 任务可判定性 | 有明确正确动作与书面策略 | 开放式、无标准答案 |
| 是否有人在回路 | 有，且轮次受用户节奏约束 | 无，可全自动长跑 |
| 上下文主要成分 | 外部约束与工具结果 | 自身尝试与候选历史 |
| 预算形态 | 有硬上限，超支即失败 | 固定总预算，允许内部再分配 |
| 失败代价 | 错误动作不可逆（如数据库写入） | 产物可重跑、可验证 |
还有一条来自论文 A 的实践建议值得单独引用：作者的立场是，对于服务人的智能体，SAS 应当是默认选项，任何多智能体设计都必须出示来自该场景本身、且在算力匹配的条件下取得的证据。这句话可以当作立项评审时的一条硬门槛——不要拿自主基准上的增益去论证双控制场景的投入。
冷静判断：结论怎么用，不能怎么用
可以用它做什么。其一，推翻「多智能体天然更好」的默认假设：至少在用户参与、策略约束、预算封顶的服务型场景里，现有证据不支持这个默认。其二，把「遗忘」当作一个和「记忆」同等重要的上下文治理手段——过去一年行业几乎一边倒地在加记忆，而这份实证说明，在探索型任务上，定期清零可能比无限累积更有效。其三，把成本效率而不是绝对分数当作选型尺：论文 A 里 MAS 至多打平却花 5.5 倍 token，这类账在只看准确率的评审里会被完全漏掉。
不能怎么用。其一，不能把论文 A 的结论外推到编码、搜索、数据分析等自主场景——本栏目 R-BENCH-36 记录的 Vals AI 多智能体团队横评里，团队配置在中档推理强度上仍有统计显著增益，说明场景差异确实存在。其二，不能因为论文 B 的 39% 就全面转向多智能体——那是四个任务的上限值，且只验证了一款模型与一款框架。其三，不能用这两篇预印本互相抵消，得出「多智能体不好不坏」的中间结论；它们测的是不同条件，正确的读法是把条件记下来，再对照自己的任务。
两篇论文都公开了轨迹、账本或代码，这在同类研究里是加分项，也为独立复现留了入口。截止本文发稿，尚未见到第三方复现结果。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。