AI智能体组队真的更强吗?基准测试显示多数情况下并非如此

大多不值得。Vals AI 发现,让 GPT-6 Sol 和 Claude Opus 5.5 组队协作,多花的 token 很少换来回报,不过有一个中等推理强度的 Sol 配置提升明显。

3 min read

AI智能体组队真的更强吗?基准测试显示多数情况下并非如此

Illustration made on Lumeta with GPT Image 2.5Make one like it

通常不能。2026 年 10 月 11 日,Vals AI 发布报告称,AI 智能体团队的成本往往是单个智能体的 1.8 倍到 5.1 倍,但带来的可衡量质量提升却很少甚至没有,在最高推理强度下尤其如此。对于正在搭建智能体工作流的开发者和企业来说,最直接的启示很简单:想要更好的输出,先测试一个强大的单智能体,再考虑为团队买单。

Vals AI 测试了什么

Vals AI 在其 Vibe Code Bench 上评估了 GPT-6 Sol 和 Claude Opus 5.5 的单独和团队配置,每种配置都分别采用中等和最高推理强度。在四组团队与单体的对比中,只有一组出现了统计学意义上显著的质量提升:中等推理强度下的 GPT-6 Sol,团队得分高出 7.3 分。在最高推理强度下,团队配置并未给任何一个模型带来实质性优势。

五个带有 OpenAI 标志的卡通机器人围在一张桌子旁,其中一个正平静地在 OpenAI 笔记本电脑上工作。
一个沉着的程序员,四个手忙脚乱的助手,额外开销却没换来多少成果。

Illustration made on Lumeta with GPT Image 2.5Make one like it

为何重要

  • 研究表明,多智能体系统往往是成本层面的决定,而非质量层面的决定。
  • 如果模型已经在以最高推理强度运行,再增加智能体可能不会让结果提升多少。
  • 当更快完成任务比略微提升输出质量更重要时,团队模式仍然可能是合理选择。
  • 对于 token 消耗量大的编程和研究工作流,协调开销可能演变成实实在在的预算问题。
赛道上几辆较小的发光赛车。
一群烧着 token 的赛车,才勉强追上那位独自领跑者。

Illustration made on Lumeta with GPT Image 2.5Make one like it

更多智能体似乎更有助于提速,而非提升质量

来源中更广泛的规律也指向同一方向。Anthropic 自己用 Opus 5.5 做的测试显示,随着智能体数量增加,收益递减:在知识库任务上,得分从 1 个智能体的 0.53 升至 10 个的 0.70、30 个的 0.71 和 100 个的 0.74。在 Lean 定理证明任务上,得分分别为 0.39、0.66、0.66 和 0.68。OpenAI 研究员 Noam Brown 也表示,多智能体系统主要换来的是速度,而不是更好的质量,他指出四个智能体完成任务的速度约快一倍,成本也约高一倍。这种取舍似乎更适合网络调研或数学这类可并行的任务,而不太适合长篇写作这类高度整合的工作,因为协调本身会成为拖累。

应该停止使用 AI 智能体团队吗?

不一定。研究结果表明,靠团队来换取质量往往不划算,但在速度要紧、且任务可以拆分为并行工作时,团队仍然有用。

这项研究中是否有团队配置提升了结果?

有。Vals AI 发现了一项统计学意义上显著的质量提升:中等推理强度下团队配置的 GPT-6 Sol 比单独版本高出 7.3 分。

多智能体配置的主要缺点是什么?

成本。在 Vals AI 的测试中,团队的成本是单个智能体的 1.8 倍到 5.1 倍,而多花的 token 通常并没有换来明显更好的输出。

哪些任务更可能从多个智能体中受益?

根据来源,适合并行处理的任务,例如网络调研和数学,是更合适的选择。而依赖单一连贯思路的任务,例如写作,似乎不太适合大规模智能体集群。

Every top AI model, in one place

Nano Banana 2, GPT Image 2.5, Seedance, Veo and more, all on one credit balance. Start free with 35 credits a month. No card needed.

GPT Image 2.6OpenAI 评分最高的图像生成器和编辑器,现在更快,最高支持 4K

All tools for "From a description"

More from Lumeta

All 新闻