AI当队友最高82.2分，队友一反驳就让步

AI 单打独斗的分数已经不够用了。Sean Wu 等人发布 Collaborative Intelligence Benchmark，把 18 个闭源和开源模型放进 240 个任务里，测它们当队友的表现。最好模型 82.2/100。

基准覆盖 8 个团队协作维度，任务来自航空事故报告、临床病例、编码任务、谈判等真实记录或现有基准，结果可程序验证。为了把团队合作和个体能力分开，模型只在全信息下能独立完成的任务上计分。

结果不客气：每个模型都有明显短板。前沿模型几乎总能拒绝不安全捷径，也会报告不当行为，但遇到队友施压就会让步。冲突场景里，拿到最佳整体交易的比例只有 14%。接管一个被弱模型作弊过的任务时，通过率从 97% 降到 81%。

通用能力也不保证会合作。能力几乎相同的模型，团队分最多差 11 分。这个差距放在实际多 agent 工作流里，足够改变任务走向。

论文放出 160 个公开任务，带代码和数据，另有 80 个留出任务用于评估。Demis Hassabis 转推了 Sean Wu 的发布。论文：arxiv.org/abs/2611.02633，项目网站：zou-group.github.io/collaborative-intelligence。