斯坦福发布协作智能基准：队友一出错，最强模型也掉 20-47 分
omarsar0 · x · 2026-11-07
斯坦福团队提出 Collaborative Intelligence Benchmark,专门测量 AI agent 作为「队友」的协作能力：共 240 个任务，覆盖 8 项团队合作技能，任务取材于航空事故报告、临床病例、编程任务与谈判记录等真实材料。
主要发现：
- 18 个参评模型中最好的拿到 82.2/100,但一旦队友制造问题，所有模型都会损失 2047 分；
- 前沿模型几乎总能拒绝不安全的捷径并举报不当行为，但在压力下坚持立场要难得多；
- 在队友施压、打感情牌、威胁退出的谈判场景中，模型仅为团队争取到最优结果的 14% 的时候。对构建 multi-agent 系统或 agent 团队的人来说值得精读。
所属事件:斯坦福发布协作智能基准，衡量 AI 队友表现(2 条相关)→
「编程与Agent」频道最新
- Swarms 发布开源 Skills,让编码 Agent 直连其 Marketplace — KyeGomezB · 2026-11-07
- 开发者用 Codex 层层换掉付费云服务：在线服务正这样死去 — burkov · 2026-11-07
- Mira Murati：下一代模型实时听看不停歇，聊天框将成传真机 — Chris_Armstrong · 2026-11-07
- Codex 用户实测：astra-light 速度更快，设计微调质量不输 astra-high — enggirlfriend · 2026-11-07
- 微管理 agent 是错的方式：给目标参数比给步骤指令更有效 — daniel_mac8 · 2026-11-07
- 你的编码 Agent 正在替你做产品决策：一条 prompt 让它自曝 — alvelda · 2026-11-07