当 Agent 遇上「猪队友」：谷歌开源 CLASHarness，实测前沿大模型如何应对多 Agent 冲突场景

来自 Google 等多所高校的研究团队发布多智能体冲突基准 CLASHarness，覆盖 20 个真实领域、600 个多轮可执行冲突任务，代码与数据集已在 GitHub 开源（arXiv 2610.19128）。基准用三层八阶段生成管线保证任务 100% 可解，并把关键真值只渲染进 4K 截图，防止模型靠搜文本过关。对 15 个主流模型、9000 余条沙盒轨迹的评测显示，标准 20 步限制下 Claude Opus 5 与 GPT-5.6 Sol 通过率最高，分别仅 25.2% 和 24.5%，远低于顶尖模型 55%–67% 的单项步骤分；弱模型倾向盲信队友的文字汇报，强模型会主动看图核实，关掉视觉输入后所有模型通过率暴跌 87%–90%。