万实例研究流程是厂商披露的案例
原报告记载OpenAI在Navier–Stokes数学研究流程中，约用10,000个并发实例搜索88小时形成候选论证，另用17小时形式化，即写成机器可检查的证明。过程还含人工调度、筛选和跨组整理。[1]
本轮未成功读取该厂商入口，具体数学命题和最终核验状态未重核；只能保留既有报告支持的流程事实，不能据实例数称已解决一个问题或取得同成本效率提升。[1]
对应材料：OpenAI流程说明
厂商流程披露，结果依据继承原研究；本轮入口获取失败
能力变化
多Agent协作：规模扩大与集成交接
大规模研究流程和Agensh展示了并行探索，AgentWorld与经验记忆研究进一步关注长程协调和复用。实例数量本身不能说明效率。
整理 2026-10-14 · 原研究范围 2026-10-12
先理解研究对象
多个Agent怎样协作而不是重复劳动
多Agent系统把搜索、编码或研究拆给多个工作者，再共享状态并合并结果。并行可以扩大探索范围，但接口冲突、错误事实和集成返工也会增加。
三个Agent分别实现三个模块，如果对接口字段理解不同，代码各自通过测试也不能完成整体项目。需要任务分工、共享证据、隔离工作区和实际集成验收。
- 墙钟时间
- 现实中过去的时间，不能直接代表总计算预算。
- 协作记忆
- 团队保存的任务日志、经验和状态，不等于普通资料检索。
- 等预算对照
- 控制总token、费用或计算资源，再比较协作方法。
- 软件重建
- 从零复现参考程序的输入输出行为，交付新源码和构建方法，而不是修一个已有文件。
- AAS
- 研究中对任务表现与沟通表现的序列汇总评分；不等于任务成功率。
- 墙钟时间
- 从开始到结束实际经过的时间；同样6小时可以用不同数量的计算资源。
具体发生了哪些进展
Agensh扩展并行探索的实验
Agensh让多个工作者认领任务、并行实现、共享代码与状态。ProgramBench要求从零复现程序输入输出，例如Pandoc文档转换工具；实验采用GPT-5.6-sol(high)+Copilot、禁用互联网，给六小时墙钟时间。工作者先自验，再由同伴承担集成角色、通过Git合并，测试器只负责评估。[2]
五个大型软件重建题中，1到128个实例的平均部分测试通过率从19.31%升至28.78%；仅Pandoc题从1到1024实例由33.89%升至55.06%，128到1024只增加4.12个百分点。实例渐进启动且分布多节点，未控制总token与费用；这些不是完整软件交付率，也不是同预算实验。[2]
对应材料：Agensh论文与附录
既有研究报告的事实摘要与条件说明；具体引用在正文标注
AgentWorld：角色协作在变体任务中仍会失败
AgentWorld在游戏沙盒里安排采集、制作、战斗等任务，不是办公现场。例如不同角色共享资源、先采材料再制作装备，完整任务由脚本验收。它用100个人工任务和100个增强变体，测试3–20个角色的长程协作。[3]
主集最佳模型Gemini 3 Flash从主集52%降至增强变体24%；四个主要模型中变体最高是Claude Haiku 4.5的26%。这是受控游戏完整任务成功率，不是企业交付率；其协作贡献指标另依赖模型判断动作因果性。[3]
对应材料：AgentWorld
既有研究报告的事实摘要与条件说明；具体引用在正文标注
LLMA-Mem：复用经验与增加队员的比较
LLMA-Mem在16个研究任务、相同图通信拓扑中，每3个任务整理一次协作记忆。论文表2给出Claude Sonnet 4.5的5人队AAS 62.57，7人队62.21；AAS汇总任务与沟通表现，不是成功率。[4]
这只是小型研究配置中的细小差异，不能推出少人总比多人好。它提出值得核对的方向：记住已验证的分工与失败经验，是否比盲目增加实例更有效。[4]
对应材料：LLMA-Mem
作者受控研究结果；未验证企业收益
进度与时间线
论文发布、修订、业务进度和资料截止分别标识。未披露的事件日不补成精确日期。
- 2026-03-27预印本首稿
对应协作研究首次提交。
arXiv v1提交日；不是实验日 · 日期
- 2026-09-22预印本首稿
对应协作研究首次提交。
arXiv v1提交日；不是实验日 · 日期
- 2026-09-25预印本首稿
对应协作研究首次提交。
arXiv v1提交日；不是实验日 · 日期
- 2026-10-12研究材料范围
这份研究摘要的资料范围，不是上述事件统一发生的日期。
原研究报告事实范围 · 资料截止
这对实际工作意味着什么
工作建议（编辑推断）：多个Agent适合探索可分开的候选方案，但数据和接口必须有统一版本，最终还需集成与独立验收。模型数量增加会消耗计算并制造协调工作，应记录冲突、重复写入、返工与人工整合时间。
还有什么需要观察
若同总预算对照显示任务分工与共享证据提高独立验收通过率、降低接管和返工，且经验记忆能在留出任务复用并允许错误定位撤回，真实转化判断才上调。观察等预算消融、不同队伍规模下的合格任务费用、失败恢复、工具权限和维护工时；并发数增长本身不足以改变判断。
引用的证明材料
正文中的编号指向下列材料。材料类别、具体支持与限制一起阅读，不能按链接数量累计独立验证。
[1] 原始研究或机构项目说明
OpenAI流程说明 ↗
OpenAI流程说明
支持的内容：继承报告的并行研究流程；命题与终验状态本轮未重核。
阅读定位：厂商Navier–Stokes流程说明中的实例、搜索/形式化时间；本轮入口失败。
模型、任务、并发或队伍数与预算一起读；局部评分不当实际交付率。
- 文档原始发布
- 未提取到可靠日期
- 日期依据
- 原始发表日期未提取，保留未知
此入口的书目探测失败不代表历次或其他入口的读取都失败。实际原文阅读范围见本材料说明。
证据适用范围与核对状态
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
结果依据继承原研究 2026-10-12，具体配置和局限需沿原文核对。
[2] 研究预印本
Agensh: Scaling Organizational Intelligence to 1,024 Agents ↗
Agensh论文与附录
支持的内容：软件重建指定模型/禁联网/六小时下实例规模与部分测试结果。
阅读定位：§2.1（工作/合并）、§3.1（ProgramBench与预算）、附录C。
模型、任务、并发或队伍数与预算一起读；局部评分不当实际交付率。
- 文档原始发布
- 2026-09-22
- 日期依据
- arXiv v1 Submission history
2026-10-14（北京时间）检查了书目/获取信息；不等于重新验证结果。
证据适用范围与核对状态
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
结果依据继承原研究 2026-10-12，具体配置和局限需沿原文核对。
[3] 研究预印本
AgentWorld: Benchmarking Long-Horizon Collaboration of Multi-agent LLMs ↗
AgentWorld
支持的内容：100+100任务、角色协作及Gemini/Haiku各自成绩口径。
阅读定位：§3.1/§3.5（游戏任务与验收）；§4.2/表2（模型结果）；附录B.1。
模型、任务、并发或队伍数与预算一起读；局部评分不当实际交付率。
- 文档原始发布
- 2026-09-25
- 日期依据
- arXiv v1 Submission history
2026-10-14（北京时间）检查了书目/获取信息；不等于重新验证结果。
证据适用范围与核对状态
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
结果依据继承原研究 2026-10-12，具体配置和局限需沿原文核对。
[4] 研究预印本
Scaling Teams or Scaling Time? Memory Enabled Lifelong Learning in LLM Multi-Agent Systems ↗
LLMA-Mem
支持的内容：特定研究配置的记忆整理与5/7人队AAS对照，不是通用成功率。
阅读定位：§4.1（16任务与通信设置）；§4.4/表2（队伍与AAS）。
模型、任务、并发或队伍数与预算一起读；局部评分不当实际交付率。
- 文档原始发布
- 2026-03-27
- 日期依据
- arXiv v1 Submission history
2026-10-14（北京时间）检查了书目/获取信息；不等于重新验证结果。
证据适用范围与核对状态
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
结果依据继承原研究 2026-10-12，具体配置和局限需沿原文核对。
本页整理：2026-10-14 · 研究事实范围：2026-10-12。概念解释与既有研究展开；元数据访问不是原始实验复验。
可以怎样连接到你的工作
应用推断：并行核对数据交换时固定共享版本、字段与接口，最后由独立检查确认集成一致。
相邻研究参考：相邻机制参考，不证明本原子通过；需实际输入、权限、独立验收和恢复。
应用推断：并行重试可能重复写入，分别检验重复同步与合并后的最终状态。
相邻研究参考：相邻机制参考，不证明本原子通过；需实际输入、权限、独立验收和恢复。
应用推断：先汇总依赖与各成员交付边界，再安排并行；共享日志不能替代负责人对依赖的确认。
相邻研究参考：相邻机制参考，不证明本原子通过；需实际输入、权限、独立验收和恢复。