WorkflowArena评测多智能体编排：最强也仅解决36.95%长程任务
机器之心 · wechat · 2026-11-10
Einsia AI 旗下 Navers Lab 发布 WorkflowArena 基准，专测大模型的多智能体编排能力：145 项长程任务覆盖软件工程、企业运营、科研、数学、金融、法律、内容设计与 3D 制作 8 大领域，评测 9 个主流模型的 25 种推理配置。任务不规定分工方式，只看最终交付是否满足全部验收标准。
核心结果
- 榜首 Claude Opus 5.5(max)完全解决率仅 36.95%;形式化数学接近饱和(95.83%),但软件工程最高 29.41%、金融 18.75%、法律仅 9.09%,且没有全能选手
- 两种编排风格：Claude 系「谋定后动」——每题只调 0.8 次左右 Workflow 但每次带 5-6 个子智能体；GPT 系「小步快跑」——每题约 2 次调用、每次不到 2 个子智能体
编排是独立能力：固定执行模型只换编排者的实验中，Opus 写的工作流让 Kimi K3.1 Pro 从 35.75 涨到 46.61 分；而自身更强的 GPT-6 Astra 做编排反而拉低执行模型成绩——「自己会做不代表会编排」。
经济账：不同系统单题成本相差数十倍，但贵的没更准；推理强度上调收益有限，决定上限的是编排质量而非 token 数量。
所属事件:WorkflowArena 发布：实测模型多智能体编排能力(2 条相关)→
「编程与Agent」频道最新
- 开源 Brigade 让 Claude Code 当队友：786 个已合并 PR 中 784 个由它自己提交 — gptrv · 2026-11-11
- Research World Models：用历史实验记录预测哪些研究想法值得跑 — yuyinzhou_cs · 2026-11-11
- Llama for Windows 发布:llama.cpp 团队把本地 AI 带上 Windows — pcuenq · 2026-11-11
- OpenAI 开放 ChatGPT Business 账号登录 Notion、v0、Warp 等第三方工具 — OpenAIDevs · 2026-11-11
- Otto One 推出家用 AI agent 主机：本地运行数据不出门，混合云端路由省 token 费 — rohanpaul_ai · 2026-11-11
- autofixer 机器人接管开源 PR:保留原作者署名并拯救被搁置贡献 — glcst · 2026-11-11