研究发现：AI 智能体团队狂烧 token，质量提升却几乎无法衡量

AI 智能体团队带来的结果与单个智能体几乎没有差别，研究发现。评估公司 Vals AI 在“Vibe Code Bench”上测试了 GPT-6 Sol 和 Claude Opus 5.5，既有单独运行也有组队运行，并设定两种推理水平：中等推理强度和最大推理强度。团队的成本是单个智能体的 1.8 倍到 5.1 倍。在团队与单个智能体的四次对比中，只有一次显示出统计上显著的改进：GPT-6 Sol 在中等推理强度下，团队得分高出 7.3 分。在最大推理强度下，团队设置并未给 Sol 或 Opus 5.5 带来任何真正的优势。结果表明，在大多数情况下，智能体团队的额外成本并不值得，尤其是当模型已经在满算力运行时。Vals AI 的基准展示了每应用成本与 Vibe Code Bench 得分的关系。箭头从每个模型的单个智能体指向相同推理强度下的团队。团队成本高得多，但得分几乎没有提升。| 图片：Vals AI

[ Anthropic 在其自身使用 Opus 5.5 的两项测试中发现，随着增加更多智能体，质量提升反而缩小。更大的团队更快达到某一性能水平，但在 24 小时后，从十个智能体增加到 100 个智能体只让得分略微上升。在另一项 ProgramBench 测试中，速度提升伴随着更高的 token 使用量。Fable 5.1 在上述 Lean 定理证明任务中，超过十个智能体后显示出更强的质量提升，但在所有测试中得分仍低于 Opus 5.5。在知识库任务上，Fable 的得分在从 30 个智能体扩展到 100 个时实际上略有下降。

OpenAI 研究员 Noam Brown 在 Dwarkesh 播客中确认，多智能体系统主要换来的是速度，而不是更好的质量。四个智能体把任务解决速度快了一倍，但成本也翻了一倍。在 16 个智能体时，这一模式依然成立，但效率略微下降。这种效果在很大程度上取决于任务。网络研究和数学适合并行化，但写小说不行，他说。把 10,000 个智能体扔给一部小说，就像把 10,000 个人扔给它一样毫无意义。Brown 承认，扩展到极大量的智能体在很大程度上仍未被探索，因为成本实在太高。

OpenAI 开发者 Eric Provencher 最近正是出于这个原因警告不要使用智能体集群。他认为，它们很可能是在浪费钱，因为智能体之间的协调会崩溃。他称之为协调税。

订阅 THE DECODER 可享受无广告阅读、每周 AI 通讯、每年六次的独家“AI Radar”前沿报告、完整档案访问以及评论区访问权限。访问 THE DECODER 上每篇文章的完整内容 加入评论和社区讨论 每年 6 次：“AI Radar”——对最重要的 AI 话题的深度探讨

评估公司 Vals AI 在 Vibe Code Bench 上对比 GPT-6 Sol 与 Claude Opus 5.5 的单智能体与多智能体团队表现：团队成本是单体的 1.8 至 5.1 倍，四次对比中仅一次出现统计显著提升。Anthropic 与 OpenAI 研究者的观察也指向同一结论——多智能体主要买到的是速度，不是质量。

• 评估公司 Vals AI 在 Vibe Code Bench 上对比 GPT-6 Sol 与 Claude Opus 5.5 的单智能体与多智能体团队表现：团队成本是单体的 1.8 至 5.1 倍，四次对比中仅一次出现统计显著提升。Anthropic 与 OpenAI 研究者的观察也指向同一结论——多智能体主要买到的是速度，不是质量。
• 原贴提到：AI agent teams deliver almost no better results than single agents, rese
• 来源：the-decoder.com

这是什么信号

这条信号的本质是一次针对“多智能体一定更强”这一行业默认假设的成本-质量对账。Vals AI 用 Vibe Code Bench 把 GPT-6 Sol 和 Claude Opus 5.5 放在同一任务上做对照：单体 vs 团队、中等推理 vs 最大推理。结论很直接——团队的成本是单体的 1.8 至 5.1 倍，但四次对比里只有一次（GPT-6 Sol 中等推理、团队高 7.3 分）达到统计显著。到了最大推理强度，团队配置对两个模型都没有带来真实优势。

更值得注意的是外部验证的方向一致性：Anthropic 自己用 Opus 5.5 做的两项测试里，加 agent 反而让质量收益变小；从 10 个扩到 100 个 agent，24 小时后得分只是略微上抬。OpenAI 的 Noam Brown 直接说多智能体买的是速度不是质量——4 个 agent 快一倍、贵一倍；16 个 agent 仍成立但效率开始下滑。OpenAI 的 Eric Provencher 则把损失归因于“协调税”：agent 之间的协调本身会崩。

为什么重要

过去一年，agent 编排层是 AI 应用叙事里最容易溢价的部分：多角色、多轮协作、swarm 被当成能力升级。这条信号把它拉回到工程经济学的框架里——如果模型本身已经跑到最大推理强度，你再叠加 agent，本质上是在为一份已经被单模型吃掉的算力边际收益付费。质量曲线在满算力处趋于平坦，成本曲线却仍然陡峭。

它还给出了一个可复用的判据：收益取决于任务是否可并行。网络检索、数学这类能天然切分的任务适合并行；写小说这类强线性、强上下文的创作任务不适合，Brown 的比喻是“扔 1 万个 agent 去写小说，和扔 1 万个人去写一样没意义”。这意味着“该不该上多智能体”不是架构品味问题，而是任务结构问题。

对谁有价值

第一类是把多智能体当作产品卖点的团队：如果你的差异化叙事建立在“agent 团队更强”上，这条数据是直接的反证压力，需要拿出自己的、带成本的对照评测来回应。第二类是推理成本敏感的工程负责人：他们需要在 token 预算和效果之间做取舍，这里的倍数关系（1.8x–5.1x）是可以直接拿来做预算假设的。第三类是模型评估与基准建设者：这条信号示范了把“每应用成本”和“得分”放在同一张图上、用箭头标注单体到同推理强度团队的做法，比只报分数更能影响决策。

可以怎么行动

• 先拉满单体，再考虑加 agent。既然最大推理强度下团队无优势，默认流程应该是单智能体 + 最高推理档，只有在实测证明不够时才引入编排层。
• 按任务结构决定并行。可切分的检索、数学、可并行的代码子任务可以尝试并行；强线性、强上下文依赖的任务（长篇写作等）保持单体。
• 把评估指标从“分数”改成“每应用成本 vs 分数”。只看得分会让团队配置看起来总能“赢一点”，而这一点在生产环境里可能不划算。
• 显性核算协调税。把 agent 间通信、重试、冲突消解带来的 token 单独记账，让协调成本可见，再决定扩不扩容。
• 扩规模前先做小规模消融。10→100 只带来“略微上抬”的案例说明，规模化的边际收益需要在小规模先被验证，而不是先扩再调。

风险与限制

这条信号的证据面并不宽：核心对照来自 Vals AI 的一个基准（Vibe Code Bench）和两个具体模型，团队如何编排、agent 数量如何设定、prompt 结构如何，原文没有给出，所以“团队”这个变量内部差异可能很大。统计上只有一次显著，也意味着其余对比更接近“不确定”而不是“确定的无效”。成本给的是相对倍数而非绝对金额，落到实处还要按自己的单价换算。

另外，Anthropic 的观察里有一条容易被忽略的正面信息：更大的团队确实更快到达某一性能水平。所以准确的结论不是“多智能体没用”，而是“在质量维度上它的边际回报很薄，在时间维度上它确实能买到速度”——而速度对某些场景（交互式编码、延迟敏感的前台任务）本身就是价值。最后，Brown 明确说超大规模 agent 仍基本未被探索，原因是成本太高，这意味着这是一个尚未被证伪、但当前不划算的区间，而不是一条永久性的结论。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《研究发现：AI 智能体团队狂烧 token，质量提升却几乎无法衡量》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

• Matthias Bastian 原帖