多智能体团队没有换来与成本相称的质量提升。2026 年 10 月 11 日，评测机构 Vals AI 在编程评测 Vibe Code Bench 上公布了单智能体与团队模式的对比结果：GPT-6 Sol 和 Claude Opus 5.5 分别独自完成任务、再组队完成同一批任务，团队开销涨到单人的 1.8 倍至 5.1 倍，四组对比里只有一组的质量提升达到统计显著。
这次测试具体比了什么
Vibe Code Bench 让模型按需求从零做出可运行的应用，再按完成度打分。Vals AI 给两个模型各设了中等和最高两档推理强度，逐档比较一个人干和一群人干的差别。唯一显著的一组出现在中等推理强度下的 GPT-6 Sol，团队比单人高出 7.3 分；一旦切到最高推理强度，两个模型的团队模式都没有测出真实优势。这意味着在最高档位上，模型自己多想一会儿，和多叫几个帮手，效果基本重叠，账单却完全不是一个量级。
智能体从 1 个加到 100 个，曲线很快变平
Anthropic 在 Claude Opus 5.5 的系统报告中做过同方向的规模实验，把参与任务的智能体数量从 1 个逐步加到 100 个，结果是典型的先陡后平：
| 任务 | 1 个智能体 | 10 个 | 30 个 | 100 个 |
|---|---|---|---|---|
| 知识库任务 | 0.53 | 0.70 | 0.71 | 0.74 |
| Lean 定理证明 | 0.39 | 0.66 | 0.66 | 0.68 |
从 1 个加到 10 个，提升看得见；从 10 个加到 100 个，两项任务都只挪动了零点几分。Claude Fable 5.1 在定理证明任务上随规模提升更明显，但总分仍低于 Opus 5.5，知识库任务从 30 个加到 100 个时分数还略有下降。大团队更稳定的收益是更快达到同一水平，而不是达到更高水平，Anthropic 的 ProgramBench 测试里，提速同样伴随着更高的 token 消耗。
团队买到的主要是时间
OpenAI 研究员 Noam Brown 在一档播客中给出的解释与这两组数据对得上：多智能体主要买到的是速度，不是答案质量。四个智能体能把任务做到约两倍快，成本也约两倍；能拆开并行的任务，比如联网检索和数学题，受益最明显，不能并行的任务，比如写小说，人再多也帮不上忙。OpenAI 的 Codex 开发者 Eric Provencher 把多余的开销形容为协调税：智能体之间不会完全信任彼此的产出，会重复核对、重复调用工具，核对本身也在烧 token。
正在给智能体付费的团队，先算这笔账
这批结果对正在采购和部署智能体的团队有三个直接提示。任务能拆成互不依赖的并行块、而且交付时间本身值钱时，组队是合理的；任务是单线推理、或者模型已经开到最高推理强度时，先加推理预算通常比先加人数划算；正式上线前，用自己的真实任务做一次单人与团队的对照，盯住每份交付物的成本，而不是只看总 token。行业正在把大规模编排做成卖点，例如 Claude Managed Agents 已能单次编排多达 1000 个智能体，但编排能力解决的是能不能同时跑，值不值仍然取决于任务本身吃不吃并行。
