多智能体团队成本高达单体5倍，质量提升却几乎可以忽略不计

Vals AI近期在「Vibe Code Bench」基准测试中，对GPT-6 Sol和Claude Opus 5.5分别以单体与团队两种模式进行了评估，推理强度分为中等和最大两档。测试结果表明，智能体团队的运行成本是单体的1.8倍至5.1倍，但在四组横向对比中，只有一组出现了统计上可信的质量提升：GPT-6 Sol在中等推理强度下，团队得分比单体高出7.3分。其余三组对比均未显示出有意义的差距，尤其是在最大推理强度下，团队配置对两款模型均无实质帮助。

Anthropic自身的内部测试数据与上述发现高度吻合。在Opus 5.5的知识库任务中，单体智能体得分为0.53，10个智能体提升至0.70，但从30个扩展到100个时，得分仅从0.71微升至0.74。Lean定理证明任务呈现相似规律：10个智能体相较单体有明显跃升，但继续扩大规模后收益趋于平缓。这表明智能体数量存在一个边际效益拐点，超过该阈值后，增加算力投入的回报将大幅递减。

Anthropic旗下的Fable 5.1模型在Lean定理证明任务中，超过10个智能体后质量增益相对更为明显，但在所有测试项目上的得分仍低于Opus 5.5。值得注意的是，在知识库任务中，Fable从30个智能体扩展至100个时，得分反而出现了小幅下滑，进一步说明盲目堆叠智能体数量并不总能带来正向收益，有时甚至会产生负面效果。

OpenAI研究员Noam Brown在Dwarkesh播客中明确指出，多智能体系统的核心价值在于加速任务完成，而非提升输出质量。他的测试显示，4个智能体可将任务完成速度提升一倍，但成本同样翻倍；扩展至16个智能体时，这一规律依然成立，但效率略有下降。他还强调，任务类型对并行化效果影响极大——网络搜索和数学计算适合并行，而写作类任务则几乎无法从中受益，向一部小说投入1万个智能体与投入1万个人一样毫无意义。

OpenAI开发者Eric Provencher对「智能体集群」模式提出了明确警告，认为这类架构在大多数场景下是对资源的浪费。他将智能体之间的协调损耗称为「协调税」——随着智能体数量增加，个体间的信息同步与任务分配会产生大量额外开销，最终抵消甚至超过规模扩张带来的潜在收益。综合多方研究来看，在模型已处于高推理强度的前提下，单体智能体往往是更具性价比的选择，多智能体架构的适用场景需要更为审慎的评估。

要点

• Vals AI测试显示，AI智能体团队成本是单体的1.8至5.1倍，但四组对比中仅一组出现统计显著的质量提升。
• Anthropic内部数据表明，智能体数量超过10个后，任务得分提升趋于平缓，边际收益大幅下降。
• OpenAI研究员Noam Brown指出，多智能体系统的主要价值是提速而非提质，且速度收益与成本增长基本等比。
• 智能体间的协调损耗——即「协调税」——是制约多智能体架构实际效益的核心瓶颈。
• 任务类型决定并行化效果，数学与搜索类任务适合多智能体，写作等线性任务几乎无法从中获益。