信息一人一半，agent 团队就失灵

现在的 agent 评测几乎都是单人单机：一个模型，一套完整信息。可现实里的决策——会诊、审贷、联合排查——信息天生分散在每个人手里。10 月 27 日提交的 TeamGym 把这件事搬进了考场，成绩不太好看。

一、发生了什么

TeamGym 是一个训练加评测环境，题目从法律、金融、医疗、软件工程四类真实语料构建。它的关键设计叫「关键信息」：找出一组事实，缺任何一条都推不出正确结论，凑齐则一定成立。有了这把尺子，就能控制关键信息在参与者之间怎么分布，也能追踪 agent 有没有找齐、有没有用上。这个设计的妙处在于把「该知道什么」从模糊的任务描述变成了可枚举、可核查的清单——信息有没有传到、传到的对不对，都能逐条打分。

研究测了 8 个语言模型、12 个来源语料，两个缺口很明显。把关键信息分给不同参与者后，成功率比单人拿全信息平均低 22.9 个百分点，作者叫它沟通缺口；再进一步，让参与者自己从原始材料里挑出关键信息、而不是直接喂给它们，成功率又掉 19.9 个点，这是检索缺口。两个缺口是叠加的：真实场景里往往既要自己找、又要互相传，损失会连环发生。

补救试验用了强化学习，做了两组策略训练实验，奖励只看最终决策对错，但训练后不仅决策质量提升，还冒出了自发协调——谁参与、谁发言、怎么沟通都有改善。这个结果对工程团队是个好消息：不必手工设计通信流程，用足够稀疏的奖励也能把协作行为练出来。

顺带说一句现实背景：企业里的多 agent 系统大多按「每个成员都能看到全库」来搭，和这套考场的设定刚好相反。这是背景，不是论文结论。

二、跟你有什么关系

做多 agent 系统的：你缺的可能不是更强的单模型，是让信息在成员间流动的机制，两个缺口值得分开测。

做企业知识库的：agent 找不齐关键信息就下结论，是企业场景最典型的翻车路径，先补检索再谈协作。

写论文的：把「信息怎么分布」做成可控变量，这个设计可以直接借去用在自己的评测里。

三、怎么判断

1. 先测沟通缺口：把一份完整信息拆给多个 agent，对照单人全量的成功率，差值就是你的协作税。
2. 再测检索缺口：不给现成事实、只给原始材料，看这支队伍能不能自己找齐。
3. 奖励函数只看最终决策也行——论文证明协调行为可以在这种稀疏信号下自发长出来。

四、三个别信的说法

模型变强协作就自动变好。 8 个模型普遍失灵，说明这是结构性缺口，不是能力参数问题。

多开几个 agent 就更稳。 信息分散后成功率平均掉 22.9 个点，人数解决不了共享问题。

必须先设计精细的通信协议。 训练实验只用最终决策做奖励，协调行为是自己涌现的，不必把协议先写死。

五、一句话结论

单兵成绩再好，凑成一队不会自动变强，信息怎么流才是真正的考题。

这类考场还有一个隐藏价值：它把「协作」从形容词变成了可测量的两个数字，沟通缺口和检索缺口，团队的短板从此可以对着数字补。这是背景，不是论文结论。

信息来源

• 论文摘要：信息分散的团队决策考场 TeamGym（arXiv），2026 年 10 月 27 日提交

功能与价格以官方公告为准。本文写于 2026 年 10 月 29 日。