当Agent遇上猪队友!实测多Agent冲突场景,前沿大模型如何应对
2026.11.01 · 收录日 2026.11.01 · 事件 · 论文 · 论文预印本
谷歌等七家机构发布CLASHarness基准,600个冲突任务实测15个主流大模型。
Google、Emory、USC等七家机构联合发布CLASHarness,首次对15个主流大模型在多智能体冲突下的表现进行大考,覆盖20个真实领域、600个多轮可执行冲突任务、7,970张4K视觉证据图片。结果显示,顶尖模型单项步骤分可达55%–67%,但端到端通过率无一突破30%,最强GPT-6 Astra也仅28.7%。
- CLASHarness覆盖20个真实领域、600个多轮冲突任务、7,970张4K视觉证据图片、3,284项必测检查点。
- 标准20步限制下,Claude Opus 5(25.2%)和GPT-5.6 Sol(24.5%)排名最高,放宽步数后GPT-6 Astra达28.7%。
- 关掉图片输入后所有模型通过率暴跌87%–90%,Claude Opus 5从24.8%跌到2.8%。
- 只要求调查汇报平均通过率28.1%,要求动手修改系统状态降至11.0%,完整多Agent协作流程仅4.4%。
- 20步限制下思考Token比例越高成功率越低(ρ=-0.70),Gemini 3.5 Flash思考强度从Low调到High通过率从13.5%跌到3.0%。
为什么值得看
首次系统量化多智能体冲突下大模型的真实短板。
适合谁关注
AI Agent开发者、多智能体研究者、大模型评测关注者。
