LLM多智能体协作基准出炉
j_foerst · x · 2026-07-14
这条转发介绍了一个新的多智能体基准：评估 13 个现代 LLM 在长时程、开放式世界里如何协作探索、沟通、交易资源、制作工具、建造结构并对抗怪物。
核心结果是：大多数 agent 表现都很弱，平均只有约 6% 的标准化回报；但在最难设置下，zero-shot Gemini 3.1 Pro 的表现与一个训练了 10 亿环境步的最佳 MARL agent 相当。
作者的结论是，协调能力本身就是独立瓶颈，不只是“能否完成长任务”的问题；在消融实验里，通信对结果影响最大。
所属事件:多项研究揭示LLM多智能体协作表现不佳(6 条相关)→
「模型」频道最新
- 6TB Fable 数据遭倒卖：内含小米华为等企业泄露密钥 — teortaxesTex · 2026-09-11
- AI Sextet 活动:6 模型 14 天完全免费,含 DeepSeek/Qwen/GLM — airesearch12 · 2026-09-11
- BullshitBench 榜单更新:GPT-6-Astra 领先历代 OpenAI 模型仍未及 Anthropic — scaling01 · 2026-09-11
- Agent Astra 在 GauntletBench 得 83%,成首个超人类基线的电脑操作 Agent — ducha_aiki · 2026-09-11
- Kimi K2.8 Preview 上线：性能接近 K3、1M 上下文全档开放 — teortaxesTex · 2026-09-11
- 有人想给软件工程任务建「形态分类」数据库,好按任务选模型 — StewartalsopIII · 2026-09-11