Agent组队干活，最强模型只完成50%任务，基准评测协作能力

研究团队推出AgentWorld评测基准，用于系统评估多智能体在长时程、角色不对称和黑盒交互环境下的协作能力；实验显示最强模型驱动的团队仅完成约50%的任务，揭示个体能力强不等于团队协作有效，强调需从动作依赖与因果贡献角度量化协作质量。