研究：AI 智能体团队成本高企，质量提升却难以测量

核心事实

据 the-decoder.com 报道，评测机构 Vals AI 在名为「Vibe Code Bench」的基准上测试了 GPT-6 Sol 与 Claude Opus 5.5，分别以单智能体和智能体团队两种形式运行，并设置中等与最高两档推理强度。结果显示，团队形式的成本是单智能体的 1.8 倍至 5.1 倍；在四组团队与单体的对比中，只有一组出现统计显著提升——GPT-6 Sol 在中等推理强度下，团队得分高出 7.3 分。在最高推理强度下，团队配置对两款模型都没有带来实质优势。

背景与影响

报道还提到，Anthropic 在自身两项针对 Opus 5.5 的测试中发现，增加智能体数量后质量增益反而缩小：更大的团队能更快达到某一性能水平，但从 10 个智能体扩展到 100 个，24 小时后的分数仅小幅上升。在 ProgramBench 的独立测试中，速度提升伴随更高的 token 消耗。OpenAI 研究员 Noam Brown 在 Dwarkesh Podcast 中表示，多智能体系统主要买到的是速度而非更好的质量：四个智能体把任务完成速度提高一倍，成本也翻倍；扩展到 16 个智能体时趋势依旧，但效率略降。他指出效果高度依赖任务类型，网页研究与数学适合并行，写小说则不适合。OpenAI 开发者 Eric Provencher 也警告称，智能体集群很可能是在浪费钱，因为智能体之间的协调会失效，他称之为「协调税」。

限制与来源

上述结论来自 Vals AI 的基准测试与相关从业者的公开表述，具体测试条件、模型版本与评分口径以原始报告为准；相关模型与产品的可用性、定价及功能支持请以各厂商官网当前信息为准。本文不构成任何投资或采购建议。