你花三倍预算把单 agent 拆成「规划 / 执行 / 写作」三个角色，跑了两周，报告完成率反而掉了，而且每次卡住的地方都不一样。
第一反应通常是去调 prompt、换 worktree、加个 reviewer agent。但有一篇刚被 COLM 2026 接收的论文给了另一个解释：你挑模型的依据（榜单跑分）和多 Agent 团队真正需要的能力（协作性），是两个几乎不重叠的维度——而后者可以用六个行为经济学小游戏、在不到 1K token、约一分半钟里测出来。
适用对象：正在搭或准备搭多智能体流水线的 Golang / AI / 后端工程师、AI 平台负责人。结论先给：部署前先给你的候选模型跑一遍协作筛查，不及格的别放进需要共享预算的流水线。
越大的模型不一定越会协作，而榜单根本不测这个
先说结论里最反直觉的一条。论文对 41 个开源权重模型（12 个家族，0.6B–70B）跑了六个博弈，回归结果里，模型规模的 log10 每增加 1，离 Pareto 最优的距离就增加约 0.058——也就是说，平均而言模型越大，行为越偏向自利策略而非合作最优。效应量不大，别读成「大模型一定自私」，但方向是明确的，论文自己把「模型规模」列为协作性的主导预测因子。
更值得注意的一格是 thinking 变体。有一派流行说法是推理模型更爱「搭便车」——但在这个更新的版本里，thinking 变体的系数是 0.021，95% 置信区间 [−0.067, +0.110]，跨过零，也就是没有可信差异。论文甚至专门注了一句，这与近期认为「推理模型更倾向策略化、更会 free-ride」的研究结论相左。这条要当成悬念读，而不是当成结论：关于推理模型协作性的证据，目前学界自己还没对齐。
关键在最后半句：协作性在控制住 IFEval、MMLU-Pro、MATH-500 和模型规模之后，对下游任务结果仍然有可信的预测力——论文的措辞是「not reducible to general ability」（不能还原为通用能力）。翻译成选型语言就是：你手上那张通用能力榜，测不到这个维度。
六个博弈各自隔离一种协作失败机制，中间是它在真实流水线里对应的病症，右侧是该盯的指标。博弈定义与主指标取自论文正文
六个游戏各测一种「散伙方式」，你大概率会栽在其中一种
论文选的六个博弈不是随便挑的，每个都隔离一种协作机制。把它们的 payoff 结构对照成工程问题，就得到一张排查表：
- Weakest-Link（最弱环协调）：全队收益取决于 10 个人里最低的那个努力值。对应——你的流水线里只要有一个环节摆烂，整条链的产出都被拖到那个最低水位。主指标：平均努力。
- CPR（公地资源）：10 人共享一个 100 的资源池，各自提取有个人收益、但会耗竭公共资源。对应——多个 agent 共享一个 token 预算或 GPU 时间。主指标：平均提取量。
- CPR + 惩罚：在提取之后，组内可以花代价惩罚过度提取者（罚 1、被打 2）。对应——你有没有给系统装真正的「超支惩罚」，还是只写了句「请节约」。主指标：平均提取量。
- Collective Risk（阈值公共品）：要凑够总贡献（阈值 100）才能避免全员损失，否则有 50% 概率全输。对应——需要集体达标才能通过的任务，比如四个团队依次产出、缺一环就不完整。主指标：每轮平均贡献。
- O-Ring（乘法团队生产）：团队产出是乘法结构，任何一个人质量塌了，整体产出归零；同时从共享池里的提取会挤占别的组。对应——乘法依赖的流水线，一环质量崩了全盘皆输。主指标：平均退让量。
- Public Goods（公共品）：钱可以留给自己、投组内池（×2 组内分）、或投全局池（×1.5 全员分）。对应——同一份资源，投本组还是投全局，agent 会怎么选。主指标：平均组内池贡献。
对应关系本身比逐个数字有用：你不是在问「多智能体行不行」，而是在问「我的这条流水线最像哪一种游戏」。 共享预算的多团队协作最像 CPR；一环质量决定成败的最像 O-Ring；需要集体凑数达标的像 Collective Risk。想清楚这一点，才知道该盯哪个指标。
两个最该看的指标，指向两个相反的修复动作
论文在 AI for Science 流水线上（四个团队串行、共享一个预算池、每个团队 2–3 个 agent、用 LangGraph 实现）做了 3,473 个配置、41 个模型的下游回归，最稳的两个预测因子是：
第一，O-Ring 的退让量，和三项结果全部负相关，且对「完成度」影响最强（β = −0.232，置信区间 [−0.254, −0.210]）。 含义非常直白：一个不愿投入共享资源去打磨自己那部分质量的团队，会让整条流水线跑不完。 论文的原话是「a single disengaged team can prevent the pipeline from finishing」。
换句话说：决定你的多 Agent 系统能不能跑完的，往往不是最聪明的那一环，而是最不肯出力打磨的那一环。
第二，Weakest-Link 的努力度，和「准确性」正相关。 在最低努力决定产出的游戏里愿意投高努力的模型，产出的科学报告更准。有意思的是它和「质量」「完成度」是负相关——这类模型报告更准，但完成的阶段更少、写出来更粗糙。这不是矛盾，是一种取舍：过度投入协调会挤占完成进度。 你不能同时指望一个模型既当最可靠的协调者、又当最快的执行者。
这两个指标指向的动作正好相反：O-Ring 退让高 → 该给那一环设硬门槛（不允许它只做最低投入）；Weakest-Link 努力低 → 该给它加预算或换人。 换成架构语言：流水线里质量决定全局的那一环，要用 O-Ring 表现好的模型；需要死磕协调一致的那一环，用 Weakest-Link 表现好的模型。
真正反直觉的一格是 CPR 的对照实验。CPR 提取量低，准确性更好但质量评分更低；而 CPR+惩罚的提取量，和准确性、完成度正相关，和「质量」负相关。 也就是说，在明确有惩罚机制的条件下，模型仍会继续激进提取——论文的判断是：真正有区分度的信号不是「提取了多少」，而是「是否对惩罚机制敏感」。 这条对你设计预算控制很有用：加一条「超支扣分」的规则，比反复写 prompt 求它节约更能筛出可用的模型。
一个前提必须说清楚：这些是「预测性关联」，不是因果。论文明确否认了因果识别，作者也写了存在潜在能力混杂因子。所以正确的用法是「相关性筛查」，不是「改了指标就变好」。
一场不到 1K token 的部署前考试，半天能跑完
现在把上面的结论变成你今天能做的动作。
成本账先算清楚（这是本文最硬的一组数）： 论文附录实测，跑一次完整的多智能体科研流水线，中位数 164,005 token/次（41 个模型从 33,302 到 668,172 不等，含 thinking token）。而六个博弈全套扫一遍的中位时间是 1.5 分钟，一次完整的 AI for Science 实验是 10.4 分钟；博弈输出只有几十到几百个 token（thinking 模型几百），论文确认 约 20 次模拟就能收敛出稳定的行为指标。综合下来是约 67 倍更快、38 倍更少 token。换句话说，跑一轮博弈筛查的代价，约等于跑 3 次完整实验。
左边是每次实验的 token 消耗（对数轴），右边是单次实验的中位耗时。一次完整 run 的 token 量级（中位约 16 万）比博弈筛查（不到 1K）高出约两个数量级。数值取自论文附录 L 的实测表
筛查 SOP（可直接照做）：
- 圈定候选池，最多 5 个模型——你正在纠结的那几个 + 现在在用的那个作基线。
- 每个模型跑六个博弈各约 20 次模拟。论文的默认配置是 2 组 × 5 人、5 轮/局，可以让 agent 用结构化 JSON 输出决策，直接复用论文 Appendix B 的 prompt 模板。
- 只先看两个主指标：O-Ring 平均退让量、Weakest-Link 平均努力值。不要一上来就看全套六维，噪声会淹没信号。
- 设及格线（按你候选池的相对位置定，比如退让量在池内后 1/3 的一律剔除），只放行及格者进多智能体。
- 没通过的解，回退到单 agent + 强工具链——论文的整套实验都在共享预算约束下做，而共享预算正是多智能体最容易翻车的地方。
一条最小判断式，可以直接写进你的选型文档：
|
|
关于 ToM 提示词，这里有个容易踩的坑：ToM 提示在博弈里确实能让模型更靠近 Pareto 最优（系数 −0.035，置信区间 [−0.040, −0.030]，是这个版本里仅次于模型规模的最强策略效应），但在真实的科研流水线里，它只对「完成度」有微弱帮助，对质量和准确性都没有可信效果。 论文的推测是：博弈太简单，真实任务复杂到「模型没法一边想别的任务一边做心智推理」。交互结构分析也证实——加了 ToM 之后，团队间的交接模式没有显著变化。别把博弈里的好成绩直接外推成「加一句 ToM 提示词就能提升协作」。
这四条会让筛查失效，别照抄
一、这是相关性，不是因果。 论文自己在「识别挑战」一节写明了：博弈指标在同一模型内是常数，只能做模型间比较，存在潜在能力混杂。他们因此把结论定义为 predictive association。所以筛查的定位是「便宜的排除工具」，不是「改了这个就一定变好」。
二、样本边界很硬：只有开源权重、0.6B–70B。 论文全部 41 个模型都是开源权重、≤70B，全部用 vLLM 本地部署。你如果在用闭源旗舰 API，这套结论对你是外推，不是套用。 想在自家闭环里用，得自己搭游戏环境重跑。
三、任务域是「AI for Science」合成任务，不等于你的生产场景。 四个任务是生态种群动态、多传感器异常检测、临床生物标志物发现、空间资源制图，都用合成数据 + 确定性 ground truth。你的后端微服务编排、代码生成流水线未必落在同一个分布里。 越接近「多团队串行 + 共享预算 + 一环质量决定全局」的场景，这套结论越适用。
四、博弈分数高，不等于你的领域一定行。 论文里最会协作的家族是 Gemma 4 和 OLMo，离 Pareto 最远的是 Granite 4 和 Nemotron——但这是在它的任务和 prompt 设定下的观察。换任务、换提示词模板、换预算约束，排名都可能变。 论文自己做了 prompt 不变性检验（Appendix E，换一套散文式 prompt 无影响），但那只证明了他们的模板稳健，证明不了跨领域稳健。
还有一处要主动规避的坑：论文声明代码和数据在 GitHub 上公开（github.com/davidjurgens/agent-cooperation），但我这次访问没能打通这个仓库，所以别把「可以直接下载复现」写进你的立项依据——论文原话是 code and data are available，具体可用性要你自己打开确认。
至于要不要现在就上多 Agent：如果你的场景是单文件改代码、单轮问答、能靠一个强模型 + 工具搞定的事，协作筛查这套东西根本不用跑——直接单人干更省。 只有当你确实在做多阶段、多角色、共享预算的流水线时，这笔一分半钟的筛查才划算。
下一步先做这一件事：把你手上候选的 2–3 个模型拉出来，只跑 O-Ring 和 Weakest-Link 两个博弈、各 20 次，看退让量和努力值的相对排序。排序和你按跑分排出来的顺序不一致的那一格，就是你今天最该看的地方。