斯坦福发布协作智能基准:最强模型当队友只得 82.2 分

StanfordUniversity · hf · 2026-11-03

斯坦福联合 MIT、牛津发布 Collaborative Intelligence Benchmark，衡量 AI Agent 作为「队友」的表现：240 个任务覆盖 8 个团队合作维度，从拒绝不安全捷径到检查弱模型留下的错误。任务来自真实记录或既有基准（航空事故报告、临床病例、编码任务、谈判等），结果可程序化验证。为把团队协作与个人能力分离，模型只在其独立可解的任务上计分。评测 18 个闭源与开源权重模型发现：所有模型作为队友都有明显短板，最佳仅得 82.2/100；前沿模型几乎总能拒绝不安全捷径并上报不当行为，却在人际压力下妥协、谈不成最优整体方案——协作能力与个体能力显著脱钩。