谷歌180组实验揭示Scaling Law，颠覆传统模型炼金术
机器之心报道
编辑：Panda
智能体（Agent），即基于语言模型且具备推理、规划和行动能力的系统，正在成为现实世界 AI 应用的主导范式。
尽管其已被广泛采用，但决定其性能的原则仍未被充分探索，导致从业者只能依赖启发式经验，而非有原理依托的设计选择。
现在，谷歌的一篇新论文填补了这一空白！
他们通过大量实验找到了智能体的 Scaling Law，只不过他们将其称为quantitative scaling principles，即定量扩展原则。
论文标题：Towards a Science of Scaling Agent Systems论文地址：https://arxiv.org/abs/2512.08296
具体来说，他们将这种扩展定义为智能体数量、协作结构、模型能力和任务属性之间的相互作用。
他们在四个不同的基准测试中对此进行了评估：Finance-Agent（金融推理）、BrowseComp-Plus（网络导航）、PlanCraft（游戏规划）和 Workbench（工作流执行）。
利用五种典型的智能体架构（单智能体系统以及四种多智能体系统：独立型、中心化、去中心化、混合型），并在三个 LLM 家族（OpenAI, Google, Anthropic）中进行实例化，谷歌这个团队对 180 种配置进行了受控评估，标准化了工具、提示结构和 token 预算，以将架构效应从实施混杂因素中隔离出来。
他们使用经验性的协作指标（包括效率、开销、错误放大和冗余）推导出了一个预测模型，该模型实现了交叉验证 R²=0.513，通过对任务属性建模而非过度拟合特定数据集，实现了对未见任务领域的预测。
是的，智能体的 Scaling Law 找到了！并且准确度还相当高，谷歌表示：「我们的框架在预测保留任务的最佳架构方面实现了 87% 的准确率。」这样一来，智能体的部署决策将第一次获得强有力的原则支撑。
实验与结果：打破「人多力量大」的迷思
为了找到这套定量原则，谷歌团队没有仅仅停留在理论推导，而是进行了一场堪称暴力穷举的实证研究。
他们动用了三大模型家族（Google Gemini、OpenAI GPT、Anthropic Claude），在金融、网购、游戏规划等不同场景下进行了 180 组受控实验。
实验结果不仅令人意外，甚至颠覆了许多开发者的直觉。简单来说，他们发现了一些规律。
任务决定成败：有的场景是神助攻，有的是猪队友
过去人们常说「三个臭皮匠，顶个诸葛亮」，但这篇论文告诉我们：这完全取决于你们在干什么任务。
红榜（适合组团）： 在金融分析（Finance-Agent）这类任务中，多智能体协作是大杀器。中心化架构（有一个「指挥官」分派任务）能让性能暴涨 80.9%。为什么？因为这类任务可以拆分 —— 你查财报，我算汇率，他做总结，大家并行工作，效率极高。
黑榜（切忌组团）： 在游戏规划（PlanCraft）这类任务中，所有多智能体架构都翻车了，性能惨跌 39% 到 70%。原因在于这类任务环环相扣（必须先砍树，才能做木板），强行把流程拆给不同的人，光是沟通成本就把推理能力消耗殆尽了。
三大隐形杀手：什么在阻碍智能体变强？
通过对数据的深度挖掘，谷歌团队量化了阻碍智能体扩展的三大核心因素：
第一，工具越多，协作越难（工具-协作权衡）
如果任务需要用到大量工具（比如 16 个以上的 API），再引入多智能体协作就是一场灾难。实验数据显示，工具密集的任务会因巨大的沟通开销而不仅没变快，反而变慢、变笨。
第二，能力有天花板（能力饱和效应）
这是最反直觉的一点：如果单个智能体已经够聪明了，就别再给它找帮手了。 数据表明，当单智能体的基线准确率超过 45% 时，再增加智能体进行协作，收益往往是负的。所谓「帮倒忙」，在 AI 世界里是真实存在的。
第三，没有指挥官，错误会指数级放大
如果你让一群智能体各自为战（独立型架构），错误会被放大 17.2 倍 —— 因为没人检查，一个人的错会传给所有人。但如果引入一个「指挥官」进行中心化管理，错误放大率能被控制在 4.4 倍。这证明了在多智能体系统中，架构设计比单纯堆人数更重要。
模型性格测试：谁是最佳指挥官？
除了任务和架构，论文还发现了一个有趣的现象：不同厂商的模型有不同的协作性格。在选择团队成员时，你不能只看智商（IQ），还要看它们合不合群。
Google Gemini：擅长「层级管理」的执行官。Gemini 模型在中心化架构下表现出了惊人的适应性。在金融任务中，Gemini 的中心化协作带来了 +164.3% 的恐怖提升。数据表明，它最听指挥，执行力最强，且在不同架构下的性价比最为平衡。
OpenAI GPT：擅长「复杂沟通」的交际花。GPT 系列在混合型架构（Hybrid）中表现最佳 。虽然混合架构的沟通成本很高，但 GPT 似乎拥有独特的「通信协同效应」（Communication Synergy），能驾驭复杂的交互网络，不仅能听指挥，还能搞定同级之间的横向沟通 。
Anthropic Claude：稳健但敏感的保守派。Claude 对协作开销非常敏感，一旦沟通太复杂，成本就会飙升（每提升 1% 性能的成本是 Google 的 2 倍）。因此，它最适合简单直接的中心化架构，表现最稳（方差最小）。更有趣的是，它是唯一一个在「弱指挥官带强兵」（异构混合）模式下还能提升性能的模型，展现出了独特的容错性
结果：这就是我们要找的「预测公式」
最终，基于上述发现，谷歌推导出了一个预测模型。这个模型不依赖玄学，而是基于效率、开销、错误放大率等硬指标。
它的威力如何？在预测完全没见过的任务配置时，这套理论能以 87% 的准确率告诉你：对于当前的任务和模型，到底该用单打独斗，还是团队协作，亦或是某种特定的组队方式。
这标志着智能体系统设计正式告别了「炼金术」时代，进入了可计算、可预测的「化学」时代。
更多详情请访问原论文。
相关攻略
近日，Anthropic发布了一项关于Claude模型内部“情绪机制”的新研究，却因未引用关键的前期工作而引发学术争议。原作者直接指出这一疏漏，促使Anthropic迅速回应并更新了论文引用。 发现这一问题的研究者是来自MBZUAI的研究生Chenxi Wang。她在阅读论文后敏锐地察觉到，这项研究
中国航天员科研训练中心招募卧床实验志愿者，需卧床最长60天以模拟失重环境，研究生理变化。参与者需符合健康及心理标准，实验过程伴随不适但受严密监控。数据对航天医学与老年病学有重要价值，志愿者可获得补助及交通报销。
“我能再说几句吗？” 在复旦大学相辉堂举行的“浦江科学大师讲坛”互动环节结束后，2024年诺贝尔物理学奖得主安妮·吕利耶教授主动提出了这个请求。她分享了一个温暖的观察：“我曾受邀在各种场合做过演讲，很多时候提问的都是男性，但这次几乎都是女性在提问题，请大家坚持下去。”作为第五位获得诺贝尔物理学奖的女
你还在一个人做科研吗？ 科研路上最磨人的，往往不是问题本身，而是那种彻头彻尾的“孤军奋战”感。一个想法，从文献调研到实验设计，再到落笔成文，每一步都只能靠自己摸索着前行。 方向偏了，没人及时提醒；遇到歧义，找不到人讨论；结果不对，就只能陷入反复试错的循环。市面上不少所谓的“自动化科研”工具，其实只是
Claw AI Lab团队量子位 | 公众号 QbitAI你还在一个人做科研吗？科研最难的，从来不是问题本身，而是一个想法从文献到实验再到写作，只能靠自己一点点往前推。一个人方向偏了没人提醒，遇到歧
热门专题
热门推荐
美股指数期货短线拉升，标普500指数期货上涨0 4%，道指期货与纳指期货亦同步上扬。市场情绪受积极经济数据及企业财报提振，投资者关注后续政策动向与经济走势。
5月22日，贝莱德向Coinbase转移了1587枚比特币和17815枚以太坊，总价值约1 6亿美元。市场推测此举可能与其现货比特币ETF的流动性准备有关，或是机构资产配置的常规操作。大额链上转移反映了传统金融机构正深度参与加密市场，其动向持续影响市场观察与定价逻辑。
加密货币市场反弹：是牛市的序曲，还是又一次技术性修复？ 在经历了一轮剧烈的震荡与回调之后，加密货币市场近期迎来了久违的普涨。比特币、以太坊和瑞波币领跑反弹，其亮眼表现不禁让市场参与者们再次发问：这究竟是新一轮牛市的起点，还是仅仅是一次技术性的超跌反弹？ 一、市场反弹的核心驱动力 那么，推动这轮反弹行
《一梦江湖》新头挂“应缨鹦”造型灵动可爱。小鹦鹉大眼睛、精巧小嘴，扑扇翅膀，姿态欢快。它时而好奇张望，时而对镜摆姿，活灵活现，为佩戴者增添生动俏皮的趣味。