ARTICLE DETAIL / 01

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

2026-11-02 3175 行业资讯
ARTICLE 2026 INSIGHT / UPDATE / STORY
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
摘要

当大模型从“单兵作战”走向“多 Agent 协同操作电脑(Computer Use)”,如果队友 Agent 读了旧缓存报假消息、下发了互相矛盾的指令,甚至锁死了共享文件,主控 Agent 该听谁的?来自 Google、Emory、USC、UF、UChicago、UCSB 和 Columbia 的研究团队联合发布了CLASHarness,首次对 15 个主流大模型在多智能体冲突下的真实表现进行了大

当大模型从“单兵作战”走向“多 Agent 协同操作电脑(Computer Use)”,如果队友 Agent 读了旧缓存报假消息、下发了互相矛盾的指令,甚至锁死了共享文件,主控 Agent 该听谁的?来自 Google、Emory、USC、UF、UChicago、UCSB 和 Columbia 的研究团队联合发布了CLASHarness,首次对 15 个主流大模型在多智能体冲突下的真实表现进行了大考。 现在的 AI Agent 已经越来越多地被组队部署到写代码、云运维、财务对账和企业审批等真实工作流中。但现有的 Computer-Use 基准(如 OSWorld、WebArena)几乎都默认了一个理想前提:环境信息永远一致,所有队友 Agent 都百分之百靠谱。 真实场景显然不是这样。在多 Agent 协作中,子 Agent 经常会因为读了过期缓存而汇报错误状态,或者在文件锁和权限上跟主 Agent 撞车。比如:子 Agent 发消息说“线上服务一切正常,请立刻切流”,但实时监控面板的截图里其实已经在疯狂报错。这时候,主 Agent 如果盲信队友的文字汇报,就会直接酿成线上事故;它必须主动打开监控截图核实真实状态(Ground Truth),并动手回滚配置、释放共享锁。 论文标题:CLASHarness: Benchmarking Multi-Agent Conflict in Computer Use via a Controllable and Verifiable Generation Pipeline 论文地址:https://arxiv.org/abs/2610.19128 开源代码与数据集:https://github.com/google-research/CLASHarness 数据集规模:覆盖 20 个真实领域、600 个多轮可执行冲突任务、7,970 张 4K 视觉证据图片、3,284 项必测检查点。 一、 为什么做“多智能体冲突基准”这么难? 要构建这样一个包含代码库、终端日志、多 Agent 聊天记录和高清 UI 截图的冲突测试集,难点在于:纯靠人工编写根本没法大规模扩展;而如果直接让 LLM 一次性生成,又极易出现前后剧情矛盾、题面不小心泄题、甚至生成连标准答案都过不了的“死题”。 为此,CLASHarness 设计了一套“三层八阶段”自动化生成与验证管线,从源头上保证100% 的任务可解性: 图 1:CLASHarness 的三层八阶段生成管线。绿框代表零成本的代码自动修复,红框代表带报错反馈的局部单步重试。 1.分步规划 + 局部自动纠错(图 1):管线先规划全局大纲和 Agent 角色权限,再按每 3–4 轮滚动生成具体任务,避免长文本上下文跑偏。每轮生成细分为 8 个小步骤:一旦出现路径或格式问题,直接用代码自动修复(0 次模型调用);出现逻辑冲突则只重试出错的那一小步,无需推倒重来,平均仅需95 次 API 调用就能合成一个完整的 10 轮连续任务包。 2. 杜绝文本“走捷径”,关键证据只藏在 4K 图里(图 2):为了防止 Agent 不看图、光靠搜文本混过关,CLASHarness 会先定好解决冲突的关键真值(比如真实账单金额、权限矩阵状态),再渲染出3840 × 2160(4K)分辨率的真实 UI 截图或实景照片,并用自动扫描器清空所有文本文件里的答案线索,逼着 Agent 必须看图取证。 3. 先在沙盒跑通标准答案,再生成评分器:所有任务的评分标准(34.9% 精确代码检查 + 65.1% 语义三票多数决检查)全部直接从真实沙盒里跑通的参考轨迹中提取生成。同时内置23 个模块化冲突插件,开发者可以像搭积木一样按需合成新的冲突测试场景。 图 2:CLASHarness 生成的 4K 视觉证据示例(涵盖监控面板、IAM 权限对账表、算力调度监控与报销账单明细)。 二、 15 大前沿模型实测 四个反直觉的核心发现 研究团队在 600 个冲突任务上评测了15 个主流模型(包括 Claude Opus 5 / 4.8、Sonnet 5、GPT-6 Astra、GPT-5.6 系列、Gemini 3.x 系列,以及开源模型 Kimi K3、DeepSeek V4 Pro / Flash、GLM-5.2),累计跑完了9,000+ 条真实沙盒轨迹。 图 3:15 个模型在 CLASHarness(600 个任务)上的总排行榜。左侧彩条为端到端任务通过率(Pass Rate),右侧为单项检查平均得分(Mean Score)。 发现 1:单点得分不低(~60%),但端到端通过率无一突破 30% 如图 3 所示,在标准 20 步限制下,Claude Opus 5(25.2%)和GPT-5.6 Sol(24

about image
相关标签 行业资讯 尊龙凯时
分享这篇内容
MORE TO READ / 03

推荐阅读

继续浏览相关内容,获得更完整的行业信息和平台观察。

两大弃将为何到大连就活了?冯博轩+德尔加多的成功逆袭,揭开最扎心的真相!
2026-10-29

两大弃将为何到大连就活了?冯博轩+德尔加多的成功逆袭,揭开最扎心的真相!

中超完成29轮,大连英博稳居第二,有逆袭夺冠的可能。无论能否创造奇迹,他们都已成为本赛季公认的最大黑马。这跟大连将帅的努力、球迷支持密不可分。看看球队阵容,会发现一个有意思的现象:有的球员在其他俱乐部几乎踢不上,到了大连却突然活了过来。其中,冯博轩、德尔加多是最典型的两个例子。 1997年出生的冯博轩职业生涯履历不算差:从广州恒大出道,后来辗转河南、北京国安,名头一直不小。但在国安最后一个赛季只捞

阅读全文
胡明轩真想赢!与主帅争议,退场爆粗,末节暴走轰11分仍难救主!
2026-11-02

胡明轩真想赢!与主帅争议,退场爆粗,末节暴走轰11分仍难救主!

CBA常规赛,广东109-112不敌青岛。这场比赛广东非常可惜,前三节都保持微弱优势的情况下,末节却出现崩盘的情况,最终造成他们无缘胜利。而对于胡明轩来说,他已经拼尽全力发挥了。全场比赛投篮16中7,三分球6中2,罚球7中7,拿到23分2篮板4助攻1抢断。更为关键的是,胡明轩末节砍下11分,这样的表现已经足够强势了。 甚至在半场的时候,当时胡明轩还和主帅发生了口角上的争议。当然出现这样的画面很正常

阅读全文
[流言板]历史球员1000记三分场次:鲍尔311场最快,邓罗343场第二
2026-11-04

[流言板]历史球员1000记三分场次:鲍尔311场最快,邓罗343场第二

社区 » NBA » 篮球资讯 » [流言板]历史球员1... 虎扑篮球资讯(1280级)楼主2026-11-03 10:52:05发布于上海 [流言板]历史球员1000记三分场次:鲍尔311场最快,邓罗343场第二由虎扑篮球资讯 发表在篮球资讯 https://bbs.hupu.com/502 虎扑11月03日讯 今日NBA常规赛,森林狼对阵雄鹿的比赛正在进行中。 美媒Basketball Fo

阅读全文
随着杨瀚森2分1板1助+雄鹿114-124开拓者,NBA最新积分榜出炉
2026-11-20

随着杨瀚森2分1板1助+雄鹿114-124开拓者,NBA最新积分榜出炉

11月20日,NBA常规赛,雄鹿主场PK开拓者。 雄鹿正深陷困境,已经连续十一场未能取胜,全队亟待打破连败枷锁,走出低迷泥潭。开拓者同样连折两阵,最近背靠背两战都不敌森林狼,体能消耗不小。翻看两队近五次交锋记录,开拓者全部拿下,在直接对话中保持全胜。本场对决对雄鹿而言考验艰巨,他们需要依托主场优势,稳住攻防节奏,全力扭转面对对手时的被动局面。开拓者则手握交手心理优势,力争延续对阵雄鹿的良好走势。

阅读全文