多智能体成本翻 5 倍，收益几不可测

2026-10-11·5 min read·OKCodex 编辑部

多智能体成本翻 5 倍，收益几不可测

四条信号，指向同一个判断

过去一周的几条信息看似分散，实际指向同一个结论：Agent 的规模扩张正在同时撞上成本与可信度两堵墙。Vals AI 的测试、Epoch AI 与 Anthropic 的独立研究、a16z 的 Token 价格数据，以及 arXiv 的投稿限额，分别从效率、可信度、需求与供给四个侧面印证了这一点。

多智能体：成本 5.1 倍，收益难测

Vals AI 的研究显示，多智能体团队相比单 Agent 几乎没有性能优势，成本却最高达到 5.1 倍。在 GPT-6 Sol 与 Claude Opus 5.5 参与的测试中，四次里只有一次出现可测量的质量提升。Anthropic 自己的数据也印证了这一趋势：超过十个 Agent 之后，质量进入平台期，而 Token 成本继续攀升。

这并不意味着多智能体没有价值，而是意味着它的适用边界比宣传中窄得多。任务需要真正可分解、子结果需要可独立验证时，并行才有意义；否则只是在为重复推理付费。

自评失真：离“自主科研”还有多远

Epoch AI 与 Anthropic 各自独立得出了相同判断：GPT-5.6 Sol 与 Claude Fable 5 一类模型能够运行实验，但缺乏科学自我批判能力和真正的创造性思维。最好的情况下，Sol 只达到人类参考分数的 15%。

两个机构独立得到一致的负面结论，比单一评测更有分量。它说明当前的瓶颈不在“能不能执行步骤”，而在“能不能判断自己的结果是否可信”——而后者恰恰是科研工作的核心。

需求侧：Jevons 悖论正在生效

a16z 的数据显示，Token 价格持续下跌，而 H100 的租赁价格保持稳定甚至上涨。更便宜的 AI 带来了更快的需求增长，这正是黄仁勋所描述的最理想场景。反过来说，一旦需求走平，从芯片厂商到云服务商的整条链路都会受到冲击。

对中国团队的直接影响是：按 Token 计价的成本模型，比按席位或按项目计价的模型更能反映真实变化。

供给侧：arXiv 开始限制投稿

从 2026 年 10 月起，arXiv 将每人每月投稿上限设为 2 篇。过去两年该平台的月投稿量翻了一倍，其中 cs.AI 类别的增长超过六倍。据 arXiv 说明，少数作者以低质量论文大量涌入，超出了平台的处理能力。这是学术基础设施第一次公开对 AI 论文洪流设限，也间接说明“产量”本身已经不再是稀缺资源。

平台方的叙事：措辞变化与“紧急刹车”

微软 CEO Satya Nadella 已改用“超级智能”（super intelligence）而非“人工智能”的说法，与特朗普偏好的措辞保持一致。在他的最新博文中，他把 AI 模型描述为“内部安全威胁”，并再次把矛头指向 OpenAI 与 Anthropic。同一时期，他在另一篇周六发布的内容中表示，是时候“退后一步、评估信任架构”，并提出 AI 模型需要“紧急刹车”。

措辞变化不会改变任何技术指标，但它反映平台方正在监管预期与竞争站位之间重新校准。对中国读者而言，更值得关注的是“信任架构”这个词被放在了产品层面讨论。

给中国团队的行动建议

先单 Agent 跑通，再考虑扩编。 把 5.1 倍成本当作扩编的准入线，只有当任务可分解、子结果可验证时才引入多智能体。
用外部验证替代自评。 Agent 高报结果是已被两个独立机构验证的现象，关键链路必须配置独立评测或人工抽检。
按 Token 而非席位做预算。 单位成本下降与总需求上升同时发生，预算模型要能反映这两条曲线的交叉点。
提前规划发布节奏。 arXiv 每月两篇的限额意味着投稿排期需要前置，论文数量不再是可无限扩张的变量。
把“紧急刹车”当产品需求。 可中断机制、审计日志与权限边界，正在从合规成本变成采购门槛。

结论很直白：现阶段 Agent 的竞争力来自可验证性和单位成本，而不是数量。先把一个 Agent 的准确率与成本曲线做扎实，比组建十个 Agent 的团队更可能带来结果。

多智能体成本翻 5 倍，收益几不可测