本文评估了在八种代理编排架构下，将单个LLM代理替换为协作团队对准确率的提升效果。实验使用五种指令微调的7‑9B模型，覆盖五个简答基准和一个可执行代码基准，调用次数上限为30次。结果显示，团队规模的收益高度依赖任务：在两个算术文字题基准（GSM8K、GSMHard）上，调用次数从3增至30时准确率最高提升17分；而在ARC、GPQA、MMLU等选择题基准上提升不超过4分，所有架构均呈现相同趋势，平均值掩盖了这一差异。Proposer‑Critic 架构在算术任务上捕获了最大增益，规模扩展最陡，并在最高预算下整体超越其他架构（区间不含零），但在其他任务上表现最弱，且没有任何架构在所有任务上全胜。为解释这些现象，作者提出了精确的生成‑转换分解：任意工作流可划分为提案覆盖（proposal coverage）和后续转换（downstream transform），准确率变化恰好等于覆盖红利（extensive coverage dividend）加上转换变化（intensive transformation change）。该分解揭示算术任务仍有覆盖余量，批评者引导的转换能够将其转化为准确率提升；而选择题基准要么已在覆盖上饱和，要么转换效果不足；在开放式代码生成任务中，恢复能力几乎消失，准确率随覆盖线性变化。即使在相同调用预算下，代币消耗仍相差2.1倍，说明额外调用提供了候选机会，但仅部分架构在特定任务上能够有效利用。综上，团队规模的扩展是一种任务和架构特定的赌注，而非通用杠杆。
点评