多Agent也会帮倒忙！80B给9B支招，准确率反降23.6个百分点 | NeurIPS'26

目前的多Agent系统中，往往由主Agent掌握完整材料，通过向子Agent发送局部任务消息来拆解任务、持续推进。

然而，在实际应用当中，即使满足“信息充分”的条件，子Agent仍可能做出错误动作。同一套通信配置，换一个模型或任务状态，准确率就可能天差地别。

究其根本，是现有系统常把“信息充分”当作协作成功的充分条件，却忽视了通信配置本身的隐性代价。

来自亚利桑那大学、香港浸会大学和Amazon Web Services的研究者在NeurIPS 2026论文中研究了这个问题。结果发现，多Agent协作中，消息是否有用，既取决于它提供了什么，也取决于接收模型如何处理这些信息。

团队让Qwen的80B模型给9B模型发消息，长度限制为128个token。在代码库中寻找相关文件的ContextBench上，下一步准确率提高14.2个百分点；换到工具调用测试ToolSandbox，同一套配置却让准确率下降23.6个百分点。

研究从理论和实验两方面解释了这种差异，并提出一套无需重新训练模型的策略：每一步根据任务和接收模型，选择是否通信、怎样通信，以及是否更换接收模型。

主Agent知道的，怎么告诉子Agent？

在编程和工具调用任务中，主Agent通常掌握更完整的代码仓库、执行记录和任务背景，子Agent则根据局部信息，决定下一步改哪个文件、调用哪个工具。

最直接的办法，是把原始材料全部发过去。但子Agent仍要自己找重点，长上下文中的无关内容也可能干扰判断。

另一种办法，是先压缩成短消息。目标更明确了，却有两个问题：关键内容有没有遗漏？换了表达，子Agent还能不能正确使用？

只看任务最后是否完成，很难分清这些原因：失败可能来自当前消息，也可能源于前几步的错误累积。因此，团队把分析缩小到每次交互，单独看消息如何影响下一步决策。

信息完整，为什么还会做错？

论文标题中的“Bayes-Sufficient”，可以理解为：压缩后的消息，加上接收模型已有的信息，仍然保留了判断目标所需的信息。

就像《肖申克的救赎》里那句“救赎之道，就在其中”：答案就在消息里，接收模型却未必找得到。

从信息上看，这样的压缩已经足够；但实际模型还要读懂消息、提取目标、选出动作，这些步骤不会自动完成。

△同样回答“要不要带伞”，两种表达都包含判断所需的信息，却可能让接收者作出不同决策。这是作者构造的示意案例，非真实模型记录。

团队在理论上构造了一类任务：对于受表达形式限制的接收模型，原始材料能支持零错误决策；保留决策信息的压缩，却让错误率下界接近50%。

这个例子说明，保留了信息，不等于保留了模型使用这些信息的能力。评估压缩消息，还要考虑接收模型对表达形式的限制。

一条消息，到底能提高多少准确率？

论文把通信带来的实际改善拆成两部分。

第一部分是消息提供的信息收益：在给定的模型、提示词和上下文等约束下，接收模型理论上能少犯多少错。

接收模型实际能做到的，往往低于它在这些约束下的最好表现。通信如何改变这个差距，是第二部分：消息可能增加理解难度、引入干扰，使差距扩大；也可能让目标更明确，使差距缩小。论文将这个差距的变化称为protocol tax。

两部分相减，才是通信的实际收益。所以，内容更完整的消息，最后也可能降低准确率。

发短消息还是发原文，也可这样分析（论文在log-loss下拆解了压缩的影响）：短消息能减轻处理负担，却可能遗漏信息，或用了接收模型不易理解的表达。

消息越短越好、信息越全越好，都不足以作为单独的选择标准。

技术拆解：先判断哪里出错，再决定怎么通信

第一，区分信息遗漏、理解失败和动作选择错误。

团队把错误分成三个环节：

• 没写出来：主Agent掌握了信息，却没有写进消息；
• 没看出来：信息已经在消息里，子Agent没有提取出来；
• 选错动作：文件或工具找对了，下一步动作却选错了。

△三个环节在论文中分别称为externalization、absorption和action closure。

第二，分析什么时候值得换更强的主Agent。

更强的主Agent可能提供更多有效信息，也可能生成更复杂、更难处理的消息。

论文给出了一个有条件的理论结果：如果升级主Agent的净收益随任务难度连续变化、只由负转正一次，就存在唯一的难度阈值，超过它升级才有收益。

实验用“子Agent独立完成下一步的准确率”衡量任务难度。不过，难度并不能解释全部结果，后面的τ-bench实验就是例外。

第三，在推理时选择通信方式，无需重新训练模型。

团队提出的策略包含五种选择：

• 跳过通信；
• 发送压缩消息；
• 发送原始上下文；
• 换用更强的接收模型；
• 更新共享任务状态，如当前计划和文件修改情况。

策略根据预先校准的规则，估计各选项的信息收益、处理负担、当前成本和后续风险，再作选择；校准用独立记录，测试时不读标准答案。

其中还有一个直接节省调用的办法：若独立校准表明子Agent在某类任务上不靠消息就能达到80%准确率，就直接跳过通信，不必再调用主Agent生成消息。

六项测试，通信效果并不一致

实验覆盖六套基准：ContextBench（代码上下文定位）、ToolSandbox（有状态的工具调用）、SWE-bench Lite（代码修复）、RepoBench（代码检索与补全）、τ-bench（模拟客服）和BFCL（函数调用）。

比较通信效果时，使用下一步联合准确率：目标文件或工具、动作类型都选对，才算正确。

第一，同一套通信配置，在不同任务上效果相反。

由Qwen3-Next-80B-A3B发送消息、Qwen3.5-9B接收时，ContextBench的准确率从63.3%升至77.5%；ToolSandbox则从88.9%降至65.3%。

△两套测试分别统计了480步和72步。两套测试使用相同的模型组合，通信带来的变化却相反。

模型组合也会影响结果：同样在ToolSandbox上，改用gpt-5.4发送、gpt-4o-mini接收，准确率从不通信时的80.3%升至100%。

第二，信息不变，只改表达，也可能降低准确率。

团队对消息做了保留决策信息的重新编码，只换字段名和动作标签，再交给GPT系列模型处理。

在原格式能正确完成的样本中，τ-bench、ContextBench和ToolSandbox的准确率分别下降13.5、6.0和3.5个百分点；原本就高度结构化的BFCL没有下降。

第三，找对文件之后，不同模型仍会选择不同动作。

团队将DeepSeek-V3.1生成的同一批消息原样交给8个接收模型，以固定消息内容，单独比较各模型的表现。它们找对文件的比例都在61%到74%之间，差距不算大。

但在找对文件的样本中，动作也选对的比例相差悬殊：DeepSeek-R1、Qwen3.5-9B和Llama-70B都在98%以上，GLM-5为54.5%，MiniMax-M2.5只有5.3%。

这会不会只是回答格式不对，导致评测程序误判？

团队在另一组由gpt-5.4发送消息的实验中放宽解析规则，有效回答最多只多0.2个百分点；在可解析且文件选对的回答中，GLM-5、MiniMax-M2.5和o3仍有四成到九成多选错动作。

△ContextBench上的目标定位与动作选择结果。图中包含不同实验设置，详见论文。

第四，主Agent更强，协作效果未必更好。

固定9B接收模型，把发送模型从9B升级为80B后，ContextBench和RepoBench准确率分别提高21个和近9个百分点；ToolSandbox却从91.7%降至65.3%，BFCL和τ-bench分别下降16个和近3个百分点。

τ-bench尤其值得注意：子Agent独立完成下一步的准确率只有一成多，升级主Agent仍无改善。可见除了任务难度，还要看消息表达是否适合接收模型。

注：SWE-bench Lite的对照条件不同，未列入这组比较。

第五，按需通信能节省token，但准确率也有取舍。

ContextBench上，按需通信准确率为73.7%，高于始终不通信的65.0%，低于每步发送的78.7%，token用量比每步发送少46.4%。

这组实验使用300条静态记录，由gpt-5.4发送消息、gpt-4o-mini接收，策略在跳过通信、发送压缩消息和发送原始上下文三种方式中选择。

ToolSandbox另一套设置（144步×5个随机种子）中，按80%校准阈值直接跳过通信，准确率98.8%，与每步发送的98.6%基本持平，token少57.9%。

τ-bench则不理想：开源实现中另一版按阈值选择的策略准确率只有8.3%，不如始终整理成固定格式再发送的13.9%，token相近。

这项研究给出了一种排查顺序：先看必要信息有没有写进消息，再看接收模型有没有提取出正确目标，最后检查动作选择。不同环节出了问题，需要的改进也不同。找对文件却选错动作时，再补充文件说明未必有用。

这些结论主要针对下一步决策；对完整任务的影响，还需结合多步错误累积验证。论文给出的直接启示是：把通信方式和接收模型一起评估，并允许系统在不需要消息时跳过通信。

关于团队

作者（按论文顺序）：Yi Xie、Zhanke Zhou、Yi Fan、Yong Ge、Bo Han、Bo Liu

Bo Liu，本文通讯作者，现任亚利桑那大学电气、计算与软件工程学院（School of Electrical, Computing, and Software Engineering）副教授。研究方向为强化学习与控制、决策、可解释人工智能、安全人工智能。

Bo Han，现任香港浸会大学计算机科学系副教授，可信机器学习与推理研究组（TMLR Group）负责人。研究方向为机器学习、基础模型，以及可信、高效的学习与推理方法。入选2024年IEEE“AI’s 10 to Watch”。

Yong Ge，现任亚利桑那大学Eller管理学院管理信息系统系副教授、Eller Fellow。研究方向为数据挖掘、机器学习、推荐系统、商业分析。

论文题目：Bayes-Sufficient Compression Is Not Enough: How Does Communication Help Multi-Agent Systems?

论文链接：https://arxiv.org/abs/2610.03769Bo Liu

学校主页：https://ecse.engineering.arizona.edu/faculty-staff/faculty/bo-liu

韩波个人主页：https://bhanml.github.io/Yong Ge

学院主页：https://eller.arizona.edu/people/yong-ge

文章来自于微信公众号 “量子位”，作者 “量子位”