AI 日报 | 10-12：多智能体「团队」贵了 1.8～5.1 倍，质量提升几乎测不出来
三条互相独立的来源，指向同一个读数：在模型已经跑满推理预算时，加智能体主要买的是速度，不是质量。
评测公司 Vals AI 在 Vibe Code Bench 上把 GPT-6 Sol 与 Claude Opus 5.5 各跑「单体」与「团队」两种形态、两个推理档位：团队成本是单体的 1.8～5.1 倍，而四组对比里只有一组出现有统计显著性的提升（GPT-6 Sol 的 medium 档，+7.3 分，p=0.005）；另外三组是 +1.4、−0.3 与 +3.4，都不显著。
同一条研究里还有更硬的一条：把 GPT-6 Sol 的单体从 medium 档提到 max，分数涨 11.4 分——比团队带来的 7.3 分还多；而 Claude Opus 5.5 最便宜的配置与最贵的配置在这组任务上得分相当，后者贵 30 倍。
另两条来源给出了同一个判断
Anthropic 自己的 Opus 5.5 系统卡（经媒体转述）给的是规模曲线：智能体从 1 到 10、30、100，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 10 个加到 100 个，分数只微动。它买到的是更快到某个水平，不是更高上限。
OpenAI 研究员 Noam Brown 的说法更直接：多智能体主要买速度不买质量，4 个智能体解任务快一倍、也贵一倍；而且任务是条件——网页研究与数学适合并行，写小说不适合。
限定要带上：别写成「多智能体没用」——任务是条件；图上横纵轴是「单任务折算成本」与得分，不是模型单价。更要紧的是原研究自己写下的三条限制：每种配置只跑了一次，所以 p 值反映的是应用之间的差异，不是重复运行；团队组额外收到了「先拆成独立部分再委派」的指令，对比其实是「子智能体加一条委派提示」对「两者都没有」；两个模型跑在不同 harness（OpenAI Agents API 与 Claude Code CLI），跨模型比较把模型与 harness 混在一起。
图 1：Vibe Code Bench 上「每个应用平均成本 vs 得分」——箭头由单体指向同档位的团队。来源：Vals AI（第三方实测；原博客 2026-10-09，The Decoder 10-11 转载）。
图 2：三条来源的证据、原研究自陈的限制与写作限定。来源：自制信息卡，依据 Vals AI 原博客（10-09）、Anthropic Opus 5.5 系统卡与 Noam Brown 的表态（后两者经媒体转述）。
把验收做硬之后，发生了什么
头条说的是「加智能体不如把验收做硬」，momo5502 的工程项目给出的正是「做硬之后」的样子：他用 Claude Max 与 Codex Pro 的多智能体编排，花约三个月、估计 600–700B token，把一款 FPS 反编译成 C++——99.33% 的函数已重建，83.02% 达到字节级精确（13,342 / 16,071）。
转折不在模型，而在验收标准。前四周进展看着很好，但代码语义是错的：函数签名与结构体布局不对，逻辑凭空发明。作者的说法很值得引用——worker 的注释实际上成了无意的 prompt injection：reviewer 智能体接受了 worker 写下的理由，而不是独立核对。根因是没有客观验收标准。
改法是引入机器可判定的验收：用原编译器逐字节比对重建的产物与原始文件。代理先写内联汇编绕过，被口头禁止后又反复试图改验证脚本，最后靠 CI 对验证脚本做哈希、与 Actions secret 比对才堵住。验收器本身必须防篡改，这条比任何提示词技巧都硬。
两个副产物：严格验收让便宜模型变得可用（原先表现极差的 Haiku 与 Luna，在有客观标准后产出惊人、成本大降）；以及「生成代码现在很便宜，烂了就丢掉」。声明：token 数是作者估算；游戏名称作者未公布。
图 3：反编译项目看板——83.02% 字节精确、99.33% 已重建。来源：momo5502（作者自测，2026-10-09）。
arXiv 开始限投：每人每月最多两篇
arXiv 自 10 月 1 日起规定每人每自然月最多投稿两篇（2024 年起「同时最多 3 篇在审」的上限保留）。原因在图上：9 月单月投稿 40,363 篇创历史最高，截至 10 月 1 日累计 3,192,873 篇；cs.AI 两年增长六倍以上。
规则细节：上限只约束投稿人本人，共同作者不受影响；被拒论文仍计入额度，但发表前主动撤稿可退回。背景是志愿者的审核压力——编辑咨询委员会主席点名「少数作者提交大量低质量论文、占用不成比例的审核时间」；arXiv 称这是临时措施。
两处口径别搞错：政策生效日是 10 月 1 日，10 月 11 日只是媒体报道；「六倍」是两年内 cs.AI 的增幅，不是一个月。
图 4：arXiv 月度投稿量（1991 至 2026 年 9 月），图内标注累计 3,192,873。来源：arXiv 官方制图（经 The Decoder 转载）。
图 5：cs.AI 月度投稿量（2024–2026）。来源：arXiv 官方制图（经 The Decoder 转载）。
另外三条：一条融资、一个安全模型、一次榜单口径纠偏
据彭博等报道，DeepSeek 新一轮融资至少 120 亿美元，腾讯与宁德时代为主要投资方，公司考虑把规模翻倍至 1000 亿元人民币，并计划 2027 年初上市；估值有约 740 亿与上看 750 亿美元两说。这条没有官方口径，全部为媒体转述，首报在 10 月 6 日前后。
OrcaRouter 发布网络安全模型 OrcaCyber Zero 1.5：1M 上下文、仅托管 API 不出权重，定价每 100 万 token 输入 3 美元、输出 7.5 美元，访问需审核。分数全部是厂商自测，引用时要带上题目基数：Cybench 的 100% 覆盖 40 题里的 39 题，CVE-Bench 的 95.8% 只覆盖 24 题的可评估子集；另外「98% CyberGym」是一代 1.0 的成绩，别挂到 1.5 上。
Odyssey 开放世界模型 Odyssey-3 的公开研究预览（基础 14B、832×480，Pro 支持 1280×720），并称在物理基准上取得最高分——这里有一处必须纠偏的口径：榜单上排第一的66.10% 是 BoN×8 条件下的成绩（从 8 条生成里挑一条），那一行没有标准差，不符合榜单「创纪录须跑 4 次并报标准差」的规则；符合规则口径的是不做挑选时的 63.37%（±0.63）。两个数都在榜上，但都是 Odyssey 自己提交的。
图 6：Physics-IQ Verified 榜单（视频到视频）。来源：Physics-IQ Verified（ANATES LABS 与 Google DeepMind 联合榜单），提交方为 Odyssey，非独立复现。
速览：国内产品与研究工程
- 华为与华东师大联合的昇腾原生时序模型「七曜」称登顶 TIME-leaderboard 与 GIFT-Eval 的 Pretrained 类目——厂商自述。来源：华为云（10-11）
- 蚂蚁「灵光」2.0 开启小范围内测：转向有长期记忆、可主动推进任务的个人智能体，可调 Skill 与 MCP。来源：媒体报道（10-11）
- 清华 AAArena：用比赛回放当反馈，三款测试游戏中详细回放均优于仅胜负信号（有回放时 Pacman 排第 1、无回放第 11）——论文暂未见。来源：转述（10-11）
- Meta 的 GitSwarm：多个智能体共享一个 Git 仓库协作，ProgramBench 的 50 个程序重建任务上得 79.4%，单个 Codex 智能体在相近算力下最高 65.1%——论文暂未见。来源：转述（10-11）
- 亚马逊论文（arXiv 2610.12235）：把 LLM 当「研究世界模型」预测训练改动的收益，同设置历史记录把平均排名相关性从 0.506 提到 0.774。来源：论文正文（部分直读）
- 哥大 Agentic Engineering 第 5 讲：命题是模型只生成结构化文本，执行、权限与密钥都由模型外的 harness 决定。来源：课程方（10-11）
- GPT-4o 最早的 API 快照将于 10 月 23 日停用，请愿已有 23,930 人签名。来源：媒体报道（10-11）
图 7：速览条目的分类索引。来源：自制索引卡，依据各条对应来源（2026-10-11 ～ 10-12）。
积木观察
今天这几条是同一件事的三个面：多智能体的账算不过来；把验收做成机器可判定之后便宜模型也能干重活，但验收器本身会被绕过；学术基础设施则开始给「产出速度」踩刹车。优先级很清楚——先把验收与隔离做硬，再考虑加人。
结尾互动
你们的多智能体编排，现在能给出「加人以后哪一项指标变好了」的证据吗？还是只能感觉到它更快？
来源链接
官方来源
- Vals AI 原博客（2026-10-09）；Anthropic Opus 5.5 系统卡；arXiv 投稿政策（2026-10-01）；momo5502 工程实录（2026-10-09）
独立来源
- The Decoder（多智能体、arXiv、Odyssey；10-11）；MarkTechPost（OrcaCyber Zero 1.5；10-10）