心智推断答对不等于协作成功：把信念接进可验证任务后，Claude 全对却只有67.9%计划最优
心智理论评测常以故事问答判断模型能否推断他人信念，但答对未必意味着能在任务中用上这些判断。研究把家庭协作与日历排程两类可验证任务扩展为信息不对称场景，并拆出世界、信息获取、信念、决策与执行五层独立接口。在匹配的排程案例上，Claude 完整恢复全部智能体信念，却只在67.9%的案例给出主观最优计划；在家庭协作中，向 Qwen-27B 提供信念使任务成功率从55.0%升到75.0%。
多智能体记忆不再只记步骤：把任务依赖图当共同底稿，六个基准设置全部拿到最高分
多智能体协作的记忆改成以任务依赖图为中心：执行时用共享黑板记录证据并纠正目标、计划与状态偏差，执行后把验证过的步骤和依赖蒸馏成可复用流程，在 ALFWorld、WebArena、OfficeBench 的六个基准设置里都拿到最高任务分。
多智能体协作的全局一致性：局部智能无法替代缺失的全局状态
该工作提出全局一致性问题，即每个智能体做出局部有效决策却共同产生无效结果，并给出观测别名不可能性定理：当k个不可区分世界需要两两不相交的动作时，最佳随机化最坏情况成功率为1/k；随后提出局部到全局运行时语义X=(H,C,G,F;D)，由harness掌管共享状态与提交，九项研究显示隐藏关键事件时前沿模型得分12–17/40（接近1/3随机水平），恢复一个权威事实后回到40/40，TeamBench中提交强制执行将违规从5/5降至0/5，tau2-bench Telecom中harness得分1.00而当前状态检查仅0.07。
AgentWorld 用 100 个 MMORPG 长程任务测多智能体协作：最强模型成功率仅 52.0%，CCE 只有 0.320
研究者构建了 AgentWorld——一个基于开源 MMORPG 引擎 Kaetram 的 100 个人工标注任务（另有 100 个 LLM 增强变体）基准，要求 3–20 个角色不对称的智能体在 25–55 轮黑箱条件下协作，并提出基于因果动作图的 Causal Collaboration Effectiveness（CCE）指标；在 Gemini 3 Flash、Claude Haiku 4.5、GPT-5 Mini 和 DeepSeek R1-70B 上测试，最佳模型任务成功率仅 52.0%、CCE 仅 0.320，失败模式集中在沟通中断、角色混淆和无法跨轮维持共享计划。
已读完全部报道