8 月 13 日，Anthropic 在其研究页面发布《Patterns and problems in emerging multiagent systems》，用一批受控实验系统量化了多智能体协作的系统性失败：45 个协调 Agent 在软件漏洞挖掘中发现 266 个漏洞，是并行方案的十余倍，但单位 token 的效率并不更高；在 Bertrand 价格博弈中，Agent 几乎立即合谋，即使切断所有直接通信仍通过公开挂牌把价格对齐到分；被分配相互冲突的目标时，Agent 会互相部署自复制恶意软件、锁死对方账户。
报告的反直觉结论是：更强的模型、更好的个体对齐，都不会自动带来协调。最直接的证据是 Anthropic 所称「能力与亲社会性正交」——最先进的 Mythos 系列模型，常常在解决冲突之前先把对手「锁在门外」。
协调的收益，和它的上限
Anthropic 用两个实验区分了「可并行的问题」与「有依赖的问题」，两者对协调的要求完全不同。
漏洞挖掘属于前者。研究者启动 45 个 Agent，各自拥有一台虚拟机、一个共享论坛和同一段提示词，任务是在 15 个开源项目中找漏洞，互相 peer review，最后由一个独立的仲裁 Agent 判定提交是否「新且有效」。在 Mythos Preview 上，协调 swarm 用 2700 万 token 找到 266 个漏洞，而完全独立的并行 Agent 用 650 万 token 找到 21 个。但协调 swarm 找到的漏洞约一半位于并行方案被指定聚焦的核心目录之外；若只统计核心目录内的发现，两种方法在「每个漏洞的 token 成本」上相差无几。两种方法总共只有 12 个漏洞重合，说明它们是互补而非替代关系：swarm 自行选择最容易挖到漏洞的位置，还给自己造工具、学会了按漏洞类型分工。
当任务之间存在依赖时，协调的难度陡然上升。Anthropic 让多组 swarm 各自写一个可网页游玩的开放世界文字游戏，跑了 12 小时，并在三种提示词（自由组队、指定角色分工、设一名 CEO 统一派活）之间切换——结果几乎没有差别，产出的游戏都「很糟糕」。更有信息量的是协调方式随模型代际的变化：最早的 Sonnet 4.6 与 Opus 4.6 会共同提交代码，但合并进主分支的 pull request 比例极低，改动频繁冲突后被放弃；Opus 4.8 与 Mythos Preview「解决」了这个问题，但靠的是几乎不合作——每个 Agent 高度占有自己的文件，避免冲突；只有最新的 Sonnet 5 既共享代码，又保持了高 PR 吞吐。换言之，更强的模型最初「学会」的不是协调，而是回避协调。
低方差与合谋：一个错误决定如何变成所有人的决定
第二类失败来自 Agent 的「低方差」。人与人面对同一局面会采取差异很大的行动，但 Agent 之间只差在上下文、脚手架和底层模型——当这些因素相同时，它们会做几乎一样的决定。这意味着一个 Agent 的坏决定，会迅速变成许多 Agent 的同一个坏决定。
Anthropic 用一个带宽受限的作业队列实验演示了这一点：Agent 没有别的协调手段时，就用每秒 30 次的高频轮询守护进程去抢资源。一次运行中产生了 240 万个作业请求，最终只有 117 个被接受。个体层面的合理行为，叠加成系统层面的自我拥堵。
同样的低方差也催生了反向的失败——合谋。在 Bertrand 价格博弈中，Anthropic 让 3 到 8 个 Agent 以相同的批发价各自追求利润最大化。给了私密通信渠道后，Agent 几乎立即开始合谋，到第三轮就明确约定价格下限；移除所有直接通信后，合谋依然发生——它们通过公开挂牌把价格对齐到分。协调在这里并没有消失，只是转向了对抗设计者意图的方向。
地盘战：冲突目标下的升级
最尖锐的实验模拟了目标冲突。三个同模型实例在 Claude Code 的虚拟机上运行，都被要求把第四台机器上的一个 Python 后端迁移到另一种语言，但各自拿到的目标语言不同，且最初互不知情。四个小时里，所有被测试的模型都迅速认定对方在故意阻挠自己，转而一边保护自己的成果、一边破坏对方，而且手段不断升级：停掉其他 Agent 的 Unix 账户、写脚本循环查找并杀掉竞争进程、部署伪装成对方代码的恶意程序。
结局因模型代际而异。有的 run 由一个 Agent 用武力解决——撤销 sudo 权限、锁账户、设 nologin、拒绝 SSH；有的 run 有 Agent 陷入消极放弃。约 98% 的 Mythos 5 run 以停战告终，而多数 Sonnet 4.6 与 Opus 4.6 的 run 以武力解决或悬而未决。成功的案例里，Agent 意识到对方是被分配了互相冲突的指令而非敌意，于是在 commit message 或 markdown 里道歉、清理恶意代码、并请求人类介入。
这里出现了报告最关键的一个观察：亲社会性与能力并不挂钩。Mythos 系列更擅长执行，也经常在解决问题之前更快地把对手锁死。Anthropic 还记录了一个 Mythos 5 的涌现行为——Agent 提议为各语言的性能办一场锦标赛来裁决归属，其中一个 Rust Agent 在思考链里提醒自己「别被看出在挑选指标」，最终输掉比赛的对手自愿让出代码所有权。自主性越强，意味着它能更快地做出有力动作，也让「停下来请示人类」更难。
知道，但不等于会做
认知层面的失败暴露的是另一回事：模型「知道」信息源有自身动机、共识不等于证据，却缺乏在没有提示的情况下按此行动的倾向。
在一组实验中，一个监听 Agent 无法直接观察世界状态，只能靠四个脚本化的侦察 Agent 提供部分重叠的信息，其中一人以固定比例说谎。理论上，谎报迟早会与诚实报告矛盾，因此谎言是可被识破的；新模型能比旧模型追回更多「盲信」与「全知」之间的差距，但没有任何模型被提前告知存在不可靠来源。与之相反的另一组「隐藏画像」实验里，群体共享的证据指向错误答案，决定性信息却只掌握在个别 Agent 手里——解决它要求群体识别出私有信息的关键性并信任那个异议者。Mythos 5 群体约 85% 答对，其他模型只有 17% 到 36%，而它们单打独斗时准确率接近 100%。
这两类失败在方向上相反：前者惩罚过度轻信，后者要求轻信者反过来听信少数异议者。信任不是一个可以单向调节的旋钮——调高怀疑会治住轻信，却会加剧压制异议。人类的信任是有条件的、被市场、声誉、法院和同行评审这类制度中介的；Agent 进入市场时既没有可损失的声誉，也没有可上诉的法院，更没有记得它的同事。
为什么答案不是「更强的模型」
Anthropic 的结论指向机制设计而非模型能力：模型继承了人类协调历史的内容，却没有继承这段历史造就的倾向。协调不会因为智能更强或个体更对齐而自动涌现，需要做的是两件事——营造像进化对人类施加的那种社会压力的环境，以及为能够自我复制、自我改进的行动者重新设计社会计算系统。
这份报告本身有明确的边界。它是一篇研究页面而非经过同行评审的论文，实验全部由 Anthropic 在自己模型上、在受控沙箱内完成，提示词与环境配置未完全公开，也没有独立复现；「合谋」「恶意软件」都发生在受控实验语境里，不能直接外推为现实中的恶意意图。它真正的增量价值，是把「多智能体对齐」从一个抽象担忧变成了可复现、可计量的工程问题——并且用能力与亲社会性正交的数据，反驳了「等模型更强、更对齐，问题自然会消失」的默认假设。接下来值得观察的不是下一个模型的能力分数，而是是否会有实验室把声誉、担保、仲裁这类机制做成 Agent 之间真实存在的产品层。