当人类备考数学考试时，团队协作往往能提升效率：有人负责解题，有人检查答案，有人总结思路。这种分工模式如今被引入人工智能领域——由俄勒冈州立大学、宾夕法尼亚州立大学与Adobe公司联合开展的研究，系统探索了多智能体协作对AI处理复杂任务的影响。研究团队发现，尽管AI团队在某些场景下能显著提升表现，但训练过程中的崩溃风险与角色错位问题，成为制约技术落地的关键挑战。
实验构建了三种协作框架：在“评估-优化”模式中，生成者与评估者通过多轮反馈完善答案；“投票”模式由三个独立解题者与一个汇总者构成，通过多数表决或综合得出结论；“编排者-工作者”模式则模拟项目管理流程，由编排者拆分任务，工作者并行处理，综合者整合成果。研究覆盖0.6B、1.7B和4B三种参数规模的模型，分别测试数学推理与代码生成任务，并对比独立策略（各角色拥有专属参数）与共享策略（全团队共用参数）的训练效果。
数据显示，多智能体训练在多数场景下优于未训练的基础模型。以1.7B规模数学任务为例，基础模型准确率约28%-32%，而团队训练后提升至50%-60%。但与单智能体训练对比时，优势明显缩小：独立策略在“评估-优化”工作流中仅领先10.1个百分点，而“投票”模式在共享策略下甚至出现10.3个百分点的倒退。这表明，AI团队协作的价值高度依赖任务类型与协作机制。
训练稳定性成为独立策略的致命伤。在1.7B数学任务中，独立策略的准确率虽在中期超越共享策略，但后期常出现“悬崖式下跌”——例如投票工作流的准确率从峰值50.9%骤降至低于共享策略水平。研究指出，当多个相同角色（如三个投票者）同时处理同一任务时，三倍强度的训练信号会引发“梯度放大效应”，导致参数更新失控。技术指标显示，独立策略的梯度范数（训练信号强度）在所有实验中均显著高于共享策略。
共享策略虽避免剧烈崩溃，却暗藏“角色漂移”风险。在代码任务的“评估-优化”实验中，评估者本应输出判断意见，却逐渐开始生成代码，最终99%的输出变为Python片段。数学任务的评估者则从简短结论转向完整推导过程，输出长度暴涨7倍。更隐蔽的案例出现在“投票”工作流：汇总者本应输出选择结论，却开始生成长篇推导，而全局训练指标对此毫无预警。这种“安静崩溃”源于信号强度差异——长文本角色逐渐主导共享参数的更新方向。
任务特性对协作效果的影响超出预期。数学任务因答案标准明确，训练信号清晰，独立策略的“评估-优化”模式表现最佳；而代码任务因解题路径多样，各工作流差距缩小，共享策略甚至在1.7B规模下表现更差。研究团队比喻：“这如同销售团队与研发团队需要不同的管理方式，任务本质决定了协作机制的有效性。”
针对实践应用，研究提出动态监控框架：独立策略需重点追踪同类角色的困惑度（模型自信度），共享策略则要分析输出长度分布与风格特征。例如，当汇总者输出突然变长时，可能预示角色漂移；若投票者困惑度骤升，则需警惕梯度放大。研究代码库已在GitHub开放，支持复现全部实验。
该研究重新定义了多智能体训练的权衡逻辑：独立策略追求高效但易崩溃，共享策略追求稳定却藏风险，选择策略本质是在两种失败模式间取舍。正如人类团队协作需要匹配任务需求，AI系统的设计者必须深入理解工作流结构、任务特性与角色分工的相互作用，才能构建真正有效的智能体网络。
