CLASHarness基准测试揭示多Agent协作真相：顶尖模型端到端通过率不足三成，过度思考反致死循环

来自Google及Emory、USC等七所顶尖高校的研究团队联合发布了CLASHarness基准测试工具，首次对15个主流大模型在多智能体（Multi-Agent）冲突场景下的真实表现进行了全面考核。该基准涵盖了代码库、终端日志、聊天记录及高清UI截图，旨在验证AI Agent在写代码、云运维等真实工作流中应对复杂协作的能力。

现有的计算机使用基准（如OSWorld、WebArena）往往假设环境信息一致且队友完全可靠，但CLASHarness模拟了真实世界中子Agent汇报错误状态或资源锁冲突的情况。研究团队为此设计了包含600个多轮可执行冲突任务的测试集，覆盖20个真实领域，并提供了3,284项必测检查点。

在9,000多条真实沙盒轨迹的评测中，所有15个模型（包括Claude Opus 5、GPT-5.6系列、Gemini 3.x及Kimi K3等）的端到端任务通过率均未能突破30%。研究发现，尽管弱模型容易轻信队友的文字汇报而忽略监控截图中的报错真值，但即便是最强模型在解决真实冲突链条时，也频繁因漏掉某一环节而导致整体任务失败。

数据分析显示，模型在处理包含视觉证据的任务时表现明显优于纯文本任务。一旦关闭图片输入导致无法获取视觉证据，所有模型的通过率瞬间暴跌87%至90%。例如Claude Opus 5在有关图条件下通过率为24.8%，无图则跌至2.8%。

此外，研究揭示了“过度思考”在多Agent交互中的负面影响。与数学或代码题不同，增加内部思考Token比例反而降低了成功率，相关性达负0.70。当步数限制从20步放宽至40步时，擅长长线探索的模型表现显著提升；而过度纠结于内部逻辑会导致89.2%的任务在20步额度内无法完成正事。

“收尾环节”成为模型最大的短板。即便是在最强模型中，也有近60%的概率在修改系统配置后忘记释放共享锁、关闭工单或通知下游子Agent，导致协作链条断裂。CLASHarness开源代码与数据集已发布，为开发者提供了验证和构建多智能体安全协作系统的坚实工具。”

该研究论文链接为https://arxiv.org/html/2610.19128，开源代码与数据集托管于GitHub，旨在推动AI从理想化环境向真实复杂场景的演进，帮助开发者识别并解决多智能体系统在实际部署中的潜在风险。