CLASHarness 实测 15 个前沿模型在多智能体冲突中的表现

Google 与 Emory、USC 等机构的研究团队发布多智能体冲突基准 CLASHarness，在 600 个可执行任务上评测 15 个主流模型，端到端通过率无一超过 30%。任务覆盖 20 个真实领域，含 7,970 张 4K 视觉证据图与 3,284 项检查点，生成管线先清空文本中的答案线索，迫使 Agent 打开监控截图或账单图片核实队友汇报。20 步限制下 Claude Opus 5 通过率 25.2%、GPT-5.6 Sol 24.5% 居前，放宽步数后 GPT-6 Astra 达 28.7%；关掉图片输入后所有模型通过率下降 87%–90%。只要求调查汇报时平均通过率 28.1%，要求动手修改系统状态降至 11.0%，走完完整多智能体协作流程仅 4.4%。思考 Token 占比越高成功率反而越低，相关性 ρ=-0.70。