AI资讯

Anthropic 披露千智能体团队实验,28.7 小时证明 60 个命题

发布时间:2026年11月15日 13:00:00

11 月 15 日,Anthropic 公布用 Claude Fable 5.2 早期版本做的多智能体实验:1 名主控加 999 个协作者,在不借助专用平台、也不给研究者指令的情况下,28.7 小时证明 60 个命题,输出 token 约为此前方案的三分之一,证明长度约为原作的七分之一。所有智能体运行在断网沙箱中,shell 与文件编辑在执行前由分类器检查。


事件:1000 个智能体,没有研究者在场

11 月 15 日,Anthropic 公布了一组多智能体实验的结果。

对比很能说明问题:

维度9 月的实验这次
团队1 名研究者 + 数十个智能体1 个主控 + 999 个协作者
平台专用平台 Prove2Me通用工具自建
人工指令有无
耗时11 天28.7 小时
成果形式化费马大定理证明 60 个命题
输出 token约 60 亿约为前者的 1/3
证明长度较长约为原作的 1/7

关键差别不在速度,而在**「无人干预」**:这次没有专用平台,也没有研究者逐步给指令,只有一套通用工具搭的 harness。

规模化的关键不是「多」,而是「分工」

1000 个智能体同时跑,如果没有结构,结果只会是混乱。这次的分工是主从式:

  • 1 个 lead:拆题、分配、汇总;
  • 999 个 helper:各自攻一个子目标;
  • 独立 critique 与 audit 智能体:在干净的上下文中复核结果。

最后一条最重要。让执行者自己检查自己,等于没有检查。评审必须由没见过过程的一方来做,这样才能发现「看起来对,其实跳步」的证明。

安全设计是这次的隐藏主角

多智能体系统最现实的风险是失控与越权。Anthropic 披露了三层约束:

约束做法
网络隔离所有智能体运行在断网沙箱
命令审查shell 命令与文件编辑执行前由分类器检查
独立监控离线监控器单独审查团队的全部行为

还有一条设计前提值得注意:按「模型可能尚未完成对齐评估」来设计监控。换句话说,不假设模型是安全的,而是假设它可能不安全,然后靠外部机制兜住。

这是当前多智能体工程里最务实的态度。

对行业的三个含义

第一,多智能体的瓶颈在编排,不在模型。 同样的模型,换成更好的分工结构,token 消耗降到三分之一、证明长度降到七分之一。

第二,形式化验证是天然的试验场。 Lean 这类系统能机械地判断对错,不存在「看起来像对的」这种模糊地带,所以特别适合验证智能体团队的能力。

第三,成本结构会重写。 28.7 小时 × 1000 个智能体的算力开销不低,但比 11 天的人力+算力组合要便宜。

需要冷静看的几点

  1. 成果是「证明 60 个命题」,不是攻克 60 个公开难题,题目难度未完整披露。
  2. 数据来自 Anthropic 自身,未经第三方复现。
  3. 「无人干预」仍需人设定目标与验收标准。
  4. 断网沙箱限制了可用工具,真实工程场景无法完全照搬。

观察点

  1. 是否有第三方复现。
  2. 命题难度的分布:简单题占比多少。
  3. 监控器的误报率:过严会拖慢,过松会失控。
  4. 编排结构能否迁移到软件工程。

一句话总结:这次实验真正的结论是——把 1000 个智能体组织好的收益,可能比换一个更强的模型更大。