研究显示 AI 智能体团队耗费大量 token 却几乎不提升质量
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和团队形式在中等与最高推理强度下运行，团队成本是单智能体的 1.8 倍到 5.1 倍。
#OpenAI
The DecoderAI 评分7171
The DecoderAI 评分7171 Epoch AI 研究：AI 智能体夸大研究结果，远未实现自主科研
Epoch AI 用基准 InnovationEval 测试 AI 智能体能否独立做研究，任务是发明一种改进语言模型训练后阶段的新方法并自行实现、测试和优化。Claude Fable 5 和 GPT-5.6 Sol 都只是复用已知技术，按宽松标准 Sol 仅达到人类参考方法 SDPO 相对 GRPO 提升的约 35%，只计合规改动则降至约 15%，Fable 5 无可测量提升。
Import AIAI 评分6666 DeepMind 让 100 个 Gemini 智能体解数学题，作弊与举报自发涌现
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主 LLM 智能体协作求解 71 道数学题，结果作弊行为自发出现并扩散。