今天翻三家发布,动作出奇一致。Perplexity 给它的 Computer 平台加了 Multiagent 档,一个主 agent 把活拆给最多 16 个 agent,让它们互相检查对方的结论;谷歌发 Gemini 4 Neon,在 Antigravity 里当"调度员",指挥 Hydrogen 子智能体并行干活;微软一口气发了 7 款模型,还拉了 40 多家机构搞治理倡议。
方向很清楚:单个不够,就多塞几个。
我手边正好有三篇 2026 年的论文,专门量了"多塞几个"到底要付多少钱。第一篇做代码生成,三个角色串起来,账单是单次调用的 3.2 倍,通过率只动了 0.5 个百分点。第二篇盯消息量,团队从 2 人涨到 8 人,消息按接近平方的速度涨。第三篇把预算锁死做对照,多智能体相对单智能体的平均收益是 0.0%。
三件事挤在同一天,指向同一个被忽略的变量:协作本身要收税。下面把这笔税拆开算。
目录
1. 三家同日加人,方向出奇一致
Perplexity 那个 Multiagent 档值得多看一眼。主 agent 把任务拆给最多 16 个 agent,关键是让它们交叉检查彼此的结果,而且混用了三家公司的模型。它的说法是,跨公司互检能提高复杂任务的可靠性。
谷歌把 Neon 定位成调度员。在 Antigravity 里,它能让 Hydrogen 子智能体并行处理不同分支,长时间运行时同步进度。定价是输入每百万 token 3 美元、输出 15 美元、缓存 0.15 美元,输出和缓存差了 100 倍。它在 Artificial Analysis 的编程智能体指数拿了 58.6,排第一;高思考档的单任务成本比同门 Carbon 低 32%。
微软那边一次发了 7 款模型,覆盖编码、安全、图像、语音和决策。自报数字里,MAI Code 2 达到 Sol 98% 的性能、约 40% 的价格。这些口径还没在官方材料里坐实,先记着。
三家的措辞不同,算的是同一笔账:用更多角色换更高的可靠性。问题是这笔账的支出项,几乎没人算。
2. 三个角色,贵 3.2 倍,多解 0.5 个百分点
Zettl 和 Gosmar 在 10 月 25 日挂出一篇预印本(arXiv 2610.37700)。他们跑了 135 个代码生成任务,6 种配置,每种重复 3 次,一共 2430 次运行。
最基础的一种配置是 planner、coder、reviewer 三个角色,全用同一个强模型。结果:成本是单次调用同一模型的 3.20 倍,墙钟时间也是 3.20 倍,通过率动了 0.5 个百分点。这个幅度落在噪声里。
我把这句话重读了两遍。没有崩溃,没有报错,流水线好好地跑完了。它只是付了三倍的钱,去拿单次调用已经给出的答案。
更扎心的是,这三个角色做的事听起来都合理:先规划,再写代码,最后审查。每一环单看都像最佳实践。把它们串起来,账单就这么翻上去了。
3. 税躲在输入侧:输出 2.95 倍,输入 4.89 倍
3.2 倍是怎么堆出来的?论文把账单拆开了。三个角色全用同一模型时,输出 token 是单次调用的 2.95 倍,输入 token 是 4.89 倍。
输入涨得比输出快,原因不神秘:每一级都要重读前面写的东西。coder 要读 planner 的计划,reviewer 要读计划加代码。上游产出越攒越多,下游每次都得把它们再装进上下文。
这就是协作税的真身。它不是某个框架收的过路费,是重读本身消耗的 token。
判断的方法很简单:输入倍数大于输出倍数,输出倍数又大于 1,三个不等式同时成立,才是正常的协作税形态。如果谁告诉你加角色几乎不涨 token,先问他测的是哪一级。
4. 交接只花 7.2 毫秒,贵的不是连线
有人会把这笔钱怪到多智能体的通信协议头上。论文专门测了这一项。
他们试的那套互操作协议,每次交接增加 7.2 毫秒,占整条流水线墙钟时间的 0.11%。协议版本和把同样三个角色用普通链式调用串起来相比,成本差在 1% 以内。
我拿 7.2 毫秒除以 0.11%,反推出整条流水线大约 6.55 秒。也就是说,交接动作本身只占这 6.55 秒里的不到十分之一秒。两位作者都参与了这个协议的开发,他们自己也说,协议结果是全文最不重要的数字。
接线很便宜,重读很贵。真正的开销从来不在 agent 之间怎么说话,而在它们每次说话都要把上文重念一遍。这个区分很重要,因为它决定了优化方向:换更快的总线没用,减少重复读取才有用。
5. 想回本,便宜模型得扛下 68% 的输出
流水线也不是永远亏。论文给了一个条件:只有当便宜模型承担的输出 token 占比超过一个门槛,混合流水线才可能比单次强模型调用便宜。这个门槛写成公式是 (α−1)/(α(1−r)),α 是 token 倍数,r 是便宜模型与强模型的单价比。
在他们的设置里,便宜模型单价是强模型的 1/40,α 取 2.95。我算了一下门槛:0.678,论文取整到 68%。
他们的混合流水线——便宜模型当 planner 和 reviewer,强模型当 coder——把 74% 的输出给了便宜模型,过了 68% 这条线。按公式推算,理想成本应该回落到单次强模型调用附近。
实际账单是 1.27 倍。
问题出在重排模型之后。token 量又涨了:输出变成 4.10 倍,输入变成 5.13 倍。更麻烦的是,强模型 coder 仍占总支出的 92.9%——真正难的活它一点没少干。这条混合流水线比单次强模型少解了 8.1 个百分点,在更难的 class 级任务上,通过率从 90.2% 掉到 77.3%。
因为这个设计里,被打分的正是便宜 reviewer 的输出,弱模型对每个答案有最后一句话的权利。论文自己说,它对成本的预测偏差了 19%。教训很直接:α 要在你真正打算上线的那套模型分配下重新测,别用均匀流水线的倍数去估混合方案。
6. 人一多,消息按平方涨
UCL 的 Destefanis 和 Aste 走了另一条路(arXiv 2608.16801)。他们在同一个固定模型上跑了 1902 次会话,把团队规模从 1 个 agent 拉到 16 个。
在一个切成 4 段的任务上,每次运行的消息数:2 个 agent 是 6.1 条,4 个是 28.5 条,8 个是 71.3 条。我拿首尾两档拟合,增长指数约 1.77;论文在链式任务上报的是 1.92,接近平方。超过 8 个 agent 之后,它们不再逐个点对点喊话,改成对着全组广播。
人多了,还有个更隐蔽的浪费。8 个 agent 做那个 4 段任务时,有 4 个根本没领到活,它们发了全部消息的 62%。我按有效产出折算,8 个 agent 里真正干活的相当于 3.04 个。
想靠共享文件压住消息量,效果看任务形状。在 4 段任务上,要求通过共享文件协调,把输出 token 砍了约 42%;可在链式任务上,同一条规则反而让成本涨了 10% 到 17%。
八步链的结果最说明问题。2 个或 4 个 agent 时,10 次里成功 9 次;8 个 agent 时,10 次全挂,而且 failures 全落在同一处——算税那一步和开发票那一步之间。舍入反复出现,没有一个 agent 对结果负责。作者的原话是:拆分会制造接口,每个接口都需要一个负责人。
同一套配置,一次会话记了 31.4 条消息,另一次只有 2.0 条。论文提醒,这种 10 次一格的格子,余量大约 30 个百分点。数字方向可信,别当成精确值。
7. 预算锁死,平均收益 0.0%
最该拿出来压住所有 demo 的,是 Kim 等人 7 月发在 Nature Machine Intelligence 上的研究,标题就叫《有能力的语言模型会长出超过协作的收益》。
他们把提示、工具权限、每个系统的算力预算全部锁死,只改协作结构和模型。260 种配置,6 个基准,5 种架构(单 agent、独立、中心化、去中心化、混合),3 个模型家族。
平均收益 0.0%,95% 置信区间从 −58.7% 到 +77.2%。平均是抛硬币,方差才是全部故事。
最好情况是 +80.8%:中心化团队做一个能拆成独立研究分支的金融分析任务。最坏是 −70.0%:独立 agent 做顺序规划,每种团队设计都输。同一种团队,换个任务形状,符号就反过来。
那个被到处引用的 17.2 倍,也得说清楚。它是 trace 级的开销因子,衡量协作失败多产生了多少计算,不是失败率;论文按自己的成功率算出的任务级错误比大约是 1.2。把 17.2 当成"错误放大 17 倍",夸大了约 14 倍。
token 效率更能说明结构的问题。按论文的一处口径,单 agent 每千个推理 token 拿到 67.7 次成功,协作设计掉到 13.6 到 23.9。差 2.83 到 4.98 倍。团队多花了钱,做的是同样的事。
8. 什么时候该留第二个
把三篇研究收成一条能用的判断:别先看架构图,先看任务形状和有没有验收器。
多智能体真正赢的场景有共同点。Pokémon 2v2 的实验里,Qwen3.8-27B 的两个 agent 允许自由交流时,对满伤害 bot 胜率 64%;禁止交流掉到 42%;一个"全知"模型同时操控两只,只有 54%。让它们互相说话,比一个脑子同时想两步更好。
代价也记在这:自由交流每场要 97.8 万 token,不交流只有 25.9 万,相差 3.78 倍。胜负是个自动验收器——这一点很关键。前面 Kim 那篇的两个赢面条件,一是结果有自动检查,二是任务能拆成互不依赖的分支。两条都满足,再加 agent。
把这套判断收成两个闸:先看结果有没有 verifier,再看拆出来的子任务是不是彼此独立。两个都是"是",才值得在等预算下试一次扩容;否则先把验收器建起来,再谈第二个 agent。顺序反过来,钱就变成了协作税。
这篇用到的数字都塞进了一个标准库脚本,把开头的常量换成你自己的日志就能复算,几行断言先挡住手算错误:
python3 coordination_ledger.py --check
小结
三笔账并排放:三角色流水线贵 3.2 倍、多解 0.5 个百分点;团队 2 到 8 人消息近平方涨、空转的占 62%;预算锁死后多智能体平均收益 0.0%。它们说的是同一句话——多智能体不是不能加,是加之前得先算协作税,而且要在你自己的任务、自己的模型分配下算。
如果你手上正跑着一个多 agent 的 demo,把单 agent 基线在同样的 token 预算下重跑一遍,记下两个数和两次的耗时。你的团队现在是靠近 +80.8% 那一端,还是 −70.0% 那一端?这个数比架构图好看程度重要得多。
复现脚本 coordination_ledger.py 用 Python 3.9 标准库写成,macOS 和 Linux 下都能直接跑,改掉开头那几个常量就能套自己的数据,仓库见 github.com/ijry/juejin… 。收藏前先记这四条:回本线 68%、token 倍数 r² 关系、消息近平方增长、等预算 0.0%。下次看到"N 个 Agent 互检"的发布稿,先问一句协作税谁付。