Nhóm AI agent có thực sự làm việc tốt hơn? Benchmark cho thấy thường là không
Phần lớn là không. Vals AI nhận thấy việc kết hợp GPT-6 Sol và Claude Opus 5.5 thành nhóm hiếm khi xứng đáng với lượng token tăng thêm, dù một cấu hình Sol ở mức suy luận trung bình đã cải thiện rõ rệt.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Thường là không. Ngày 11/10/2026, Vals AI công bố rằng các nhóm AI agent thường tốn kém hơn 1.8x đến 5.1x so với agent đơn lẻ nhưng gần như không mang lại cải thiện chất lượng đo lường được, đặc biệt ở mức suy luận tối đa. Với các nhà phát triển và doanh nghiệp đang xây dựng quy trình agent, bài học trước mắt rất đơn giản: nếu muốn đầu ra tốt hơn, hãy thử nghiệm một agent đơn lẻ mạnh trước khi trả tiền cho cả một nhóm.
Vals AI đã kiểm tra những gì
Vals AI đánh giá GPT-6 Sol và Claude Opus 5.5 trên Vibe Code Bench của mình ở cả cấu hình đơn lẻ lẫn theo nhóm, mỗi cấu hình đều chạy ở mức suy luận trung bình và tối đa. Trong bốn phép so sánh nhóm với đơn lẻ, chỉ một trường hợp cho thấy mức tăng chất lượng có ý nghĩa thống kê: GPT-6 Sol ở mức suy luận trung bình, khi nhóm đạt điểm cao hơn 7.3 điểm. Ở mức suy luận tối đa, cấu hình nhóm không mang lại lợi thế đáng kể nào cho cả hai mô hình.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Vì sao điều này quan trọng
- Nghiên cứu cho thấy hệ thống đa agent thường là quyết định về chi phí, chứ không phải về chất lượng.
- Nếu một mô hình đã chạy ở mức suy luận tối đa, việc thêm agent có thể không cải thiện kết quả là bao.
- Dùng nhóm vẫn có thể hợp lý khi tốc độ hoàn thành quan trọng hơn việc vắt ra một đầu ra tốt hơn chút ít.
- Với các quy trình lập trình và nghiên cứu tiêu tốn nhiều token, chi phí điều phối có thể trở thành vấn đề ngân sách thực sự.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Thêm agent dường như giúp tăng tốc độ hơn là chất lượng
Xu hướng rộng hơn trong nguồn tin cũng chỉ về cùng một hướng. Các thử nghiệm riêng của Anthropic với Opus 5.5 cho thấy hiệu quả giảm dần khi thêm agent: ở tác vụ cơ sở tri thức, điểm số tăng từ 0.53 với một agent lên 0.70 với 10, 0.71 với 30 và 0.74 với 100. Ở tác vụ chứng minh định lý Lean, điểm số lần lượt là 0.39, 0.66, 0.66 và 0.68. Nhà nghiên cứu Noam Brown của OpenAI cũng cho rằng hệ thống đa agent chủ yếu mua được tốc độ chứ không phải chất lượng tốt hơn, khi lưu ý rằng bốn agent hoàn thành tác vụ nhanh gấp khoảng hai lần với chi phí cũng gấp khoảng hai lần. Sự đánh đổi này có vẻ hiệu quả hơn với các tác vụ song song như nghiên cứu web hay toán học, so với công việc gắn kết chặt chẽ như viết bài dài, nơi việc điều phối trở thành gánh nặng.
Có nên ngừng dùng nhóm AI agent?
Không hẳn. Kết quả cho thấy dùng nhóm thường là cách kém hiệu quả để mua chất lượng, nhưng vẫn có ích khi tốc độ quan trọng và tác vụ có thể chia thành các phần việc song song.
Có cấu hình nhóm nào cải thiện kết quả trong nghiên cứu này không?
Có. Vals AI ghi nhận một mức tăng chất lượng có ý nghĩa thống kê: GPT-6 Sol theo nhóm ở mức suy luận trung bình đạt điểm cao hơn 7.3 điểm so với phiên bản đơn lẻ.
Nhược điểm chính của cấu hình đa agent là gì?
Chi phí. Trong các thử nghiệm của Vals AI, nhóm tốn kém hơn từ 1.8x đến 5.1x so với agent đơn lẻ, và lượng token tăng thêm đó thường không chuyển thành đầu ra tốt hơn đáng kể.
Loại tác vụ nào có thể hưởng lợi nhiều hơn từ nhiều agent?
Theo nguồn tin, các tác vụ dễ song song hóa như nghiên cứu web và toán học là ứng viên phù hợp hơn. Các tác vụ phụ thuộc vào một mạch suy nghĩ nhất quán, như viết lách, có vẻ ít phù hợp với những bầy agent lớn.


