斯坦福协作智能基准：18 个模型当队友，最高仅 82.2 分

james_y_zou · x · 2026-11-05

Stanford 联合 MIT、Oxford 发布 Collaborative Intelligence Benchmark 论文，用 240 个任务、8 个协作维度（从拒绝不安全捷径到检查弱模型遗留的工作）评测 18 个模型作为队友的表现，任务源自航空事故报告、临床案例、编码与谈判等真实记录且可程序化验证。为隔离团队协作与个体能力，只在模型自身可独立解出的任务上计分。发现：- 最强模型仅得 82.2/100，所有模型都有明显协作短板- 前沿模型几乎从不作弊、会拒绝不安全捷径并举报不当行为- 但面对人际压力时会妥协，仅在 14% 的冲突中拿到最优交易- 排行榜前列：Gemini 4 Argon (high) 82.2、GPT-6 Astra 79.4、Claude Opus 5.5 78.7 等。