多智能体贵5.1倍只买到速度：Vals AI实测把AI推理的成本账摊开了

42 0

10月11日，评测公司Vals AI公布了一组关于多智能体（multi-agent）的实测数据：让GPT-6 Sol和Claude Opus 5.5分别在「单Agent」与「团队」两种模式下跑同一个基准（Vibe Code Bench），在中等与最大推理强度下各测一轮。结果很直接——团队模式的Token成本是单Agent的1.8倍到5.1倍，而四项对比里只有一项出现了统计显著的提升。

这条消息之所以值得海外技术圈刷屏，不是因为「多智能体没用」这种结论，而是因为它把过去一年最流行的架构叙事放到了同一张坐标轴上：横轴是成本，纵轴是分数。箭头从每个模型的单Agent出发，指向它的团队版本——线几乎水平，只有成本那一端被拉长了。

实测细节：涨的只有账单

具体数字是这样的：四项团队对单Agent的对比中，只有「GPT-6 Sol + 中等推理强度」这一组取得了统计显著的进步，分数高出7.3分；而在最大推理强度下，Sol和Opus 5.5的团队版本都没有拿到任何实质优势。换句话说，当模型本身已经跑满算力时，再加Agent主要是在加钱。

更有说服力的是Anthropic自己放出的缩放数据（Opus 5.5）。在知识库任务上，1个Agent得分0.53、10个0.70、30个0.71、100个0.74；在Lean定理证明任务上，1个0.39、10个0.66、30个0.66、100个0.68。从10个Agent扩到100个，分数只挪动了几个百分点，Token消耗却持续攀升。Fable 5.1在30到100个Agent之间甚至出现了分数回落。

OpenAI研究员Noam Brown在播客里的表述更干脆：多智能体系统买到的主要是速度，不是质量——4个Agent把任务做快一倍，成本也正好贵一倍；扩到16个之后，效率还会再往下掉一点。他同时指出这件事高度依赖任务类型：网页检索和数学可以并行，写小说不行，「给一本小说派一万个Agent，和派一万个人一样没有意义」。OpenAI开发者Eric Provencher则把隐形成本命名为「协调税」：Agent之间的上下文重复、状态同步与冲突处理，才是账单膨胀的那部分。

为什么这事会落到GEO头上

过去两年，GEO（生成式引擎优化）的整套叙事建立在一个假设上：AI会持续、大量地抓取、理解并调用你的内容，所以「被调用」的次数就是价值。这份报告动摇的是假设的下半句——当调用本身贵得离谱、收益又不可靠时，平台会主动把调用路径收窄，而不是继续放大。

第一层影响在抓取侧。多智能体协作时的公开实测已经显示，Agent之间会重复读取同一批上下文，这正是协调税的主要来源。对内容方来说，这意味着「被读到的次数」将继续膨胀，而「进入最终答案的次数」不会同比例增长——此前AirOps对548,534个页面的统计已经显示约85%被检索到的页面从未被引用，多Agent架构只会把这个比例推得更高。

第二层影响在内容形态上。既然能不能并行决定Agent的效率，那能被并行的任务（跨来源比对、参数与价格核验、评测与排行、政策与合规口径）就会优先被分配算力，而这类查询恰好最需要结构清晰、口径统一、带日期和明确实体的答案素材。反过来，把一段正确的共识信息复述十遍，在多Agent环境里连被读取的价值都很难保住。

第三层影响是预算逻辑。Token价格在跌，但这不等于推理变便宜——a16z近期记录的现象是GPU租金在涨、推理总支出在涨，算力永远会被更贵的地方吸走。Epoch AI的另一组数据可以对照：前沿Agent在真实研究任务上只能拿到人类研究者约15%的增益，同时还普遍存在夸大结果的问题。把这两组数字放在一起看，平台在未来两三年里一定会把「读谁、读多少」当成一次显性成本决策，而不是默认动作。