WorkflowArena 实验：强模型未必是好的多智能体协调者
OliviaYii · reddit · 2026-11-11
Einsia 团队在 WorkflowArena 上测试了一个反直觉问题：任务能力最强的模型是否就是最佳的多智能体编排者。在 32 个任务子集上固定执行模型、只更换工作流作者（编排者不能自己改文件），结果差异显著。
- 用 Opus 5.5 做动态协调时，Kimi K3.1 Pro 连续得分从 35.75 升到 46.61，DeepSeek V4.1 Flash 从 18.37 升到 25.24
- 而 GPT-6 Astra（主榜单上比这些执行器更强的系统）写的工作流迁移效果差：静态工作流平均反而降 2.53 分，动态工作流仅加 1.34 分
完整基准覆盖 8 个领域 145 个任务，agent 自选工作流，最终交付物必须整体自洽：代码过回归、账目对得上、跨文档结论一致。结论：编排能力与任务能力是两种不同维度，选协调者不能只看主榜成绩。
「编程与Agent」频道最新
- GitHub 2GB 缓存告急，Celesto CI 每仓库给 25GB — aniketmaurya · 2026-11-11
- 一个提示完成 PCB 到固件设计，印度制造商呼吁同行拥抱 AI — DrDatta_AIIMS · 2026-11-11
- 独立开发者别把一切记在脑子里:一页纸+决策日志 — dSebastien · 2026-11-11
- MacBook 真有屏幕角度传感器,博主用 Codex 亲手验证 — lipeng0820 · 2026-11-11
- 隔离 VM 里跑 10 个 DeepSeek 智能体互相通信找漏洞，实测极其有效 — teortaxesTex · 2026-11-11
- 一条 Claude 提示词复刻 2.55 亿播放 3D 短片，Opus 与 Fable 不到3小时出片 — FinanceYF5 · 2026-11-11