让 agent 去打宝可梦对战，测的是什么

两只宝可梦同时站在场上，一个 agent 先开口：我去烧那只水系的，你开局用击掌奇袭压一下。搭档回了句好，顺带纠正了它一个属性克制的错误，然后两边同时出手。

一、发生了什么

10 月 10 日，研究者 Oliver Grabner 在自己的站点上公开了这个实验：把宝可梦对战模拟器的双打模式包成一个多智能体环境，专门测大模型会不会配合。

规则设计得很克制。每边两只宝可梦在场、一只替补，每一只由一个独立的 agent 控制。每一轮，agent 会收到一份用大白话写的战况摘要，和一份编号的合法动作清单。它可以对搭档说一句只有队友能看到的私信，也可以直接出手；一旦出手，搭档会知道它选了什么。

主角是同一个 270 亿参数的开源模型，让它同时扮演两个队友，对手则是一个写死规则的「最大伤害」脚本。对局用固定种子，每套阵容两边各打一遍，保证四种沟通方式面对的是同一批战斗。

结果按胜率排：能自由对话的 64%，一个模型同时操纵两只的 54%，每轮只能说一句的 52%，完全不沟通的 42%。代价也量了出来：自由对话每场约消耗 97.8 万输入 token，是不沟通时的 3.8 倍。作为环境有效性的检验，同一套模型打 20 亿参数队伍胜率 96%，打 90 亿参数队伍 74%。

这些数字来自作者自己的实验，没有同行评审，也没有第二个人复现。它是一份公开的实验记录，不是论文。

二、跟你有什么关系

在做多 agent 产品的人。 最实用的一条写在数字里：让两个角色真的商量，比让一个模型左右互搏更值钱，64% 对 54% 的差距来自对话本身。

要挑 benchmark 的人。 一个测试得有区分度，就得随对手变强而收紧。96%、74%、64% 这条曲线说明它做到了。

算推理账的人。 多轮对话不免费。3.8 倍 token 是明码标价，不是理论估算。

三、怎么判断你的多 agent 该不该「聊天」

1. 先看任务有没有共享状态。两个 agent 各自改同一张表、同一个文件，才需要协商；纯流水线分工不需要。
2. 把沟通成本换算成钱。每轮广播一次完整上下文，等于每轮多一次全量推理。先测「不沟通」的基线，再决定加几轮。
3. 只在该说话的时候说话。这个实验里，从零句到一句，胜率涨了 10 个百分点；从一句到自由对话，再涨 12 个百分点，成本却高出近五成。
4. 换一个强一点的对手验证。打固定脚本赢不算本事，要能区分强弱模型，才知道改进是不是真的。

四、三个别信的说法

「打游戏厉害就说明会协作。」 这个环境特意选了双打：信息不完全、对手配置隐藏、伤害带随机。单打排名高，可能只是背熟了出招表，跟配合没关系。

「既然对话有用，就让它一直说。」 收益是有的，但边际在下降。真实产品里每次发言都要重读一遍战况和历史，账单跟着轮数涨，而不是跟着效果涨。

「一个模型演两个角色等于两个 agent。」 作者专门测了这一档，54%，低于自由对话。同一份权重扮演双方，省了通信开销，也丢了「另一个人会当面反驳你」这件事。

五、一句话结论

这个实验测的不是模型多会打游戏，是它愿不愿意把「我打算这么干」说出口——而这句话，很贵。

信息来源

• Multi-agent LLM coordination in Pokémon，2026 年 10 月 10 日
• 实验代码仓库，2026 年 10 月

功能与价格以官方公告为准。本文写于 2026 年 10 月 23 日。