Vals AI智能体基准

Vals AI发布了一项针对AI智能体团队效能的实证研究，核心结论是：在构建完整Web应用的“Vibe Code Bench”测试中，组建多智能体团队虽能并行工作，但成本高达单智能体的1.8至5.1倍，且仅在GPT 6 Sol中等推理强度下带来统计显著的7.3分提升，其他组合均无显著收益。

【背景】Vibe Code Bench由Vals AI于2025年11月推出，旨在评估模型从自然语言提示生成完整可部署Web应用的能力，填补了传统代码基准在“从零到一”全栈开发场景下的空白。

时间线显示，2025年11月26日Vals AI发布Vibe Code Bench及其幕后故事；2026年9月27日更新SkillsBench榜单，显示技能注入平均提升14.52分；2026年10月8日更新Vibe Code Bench 1-100榜单，Claude Opus 5.5以30.36%居首；2026年10月9日Vals AI博客《Do Agent Teams Pay Off?》公布多智能体团队实测结果。

争议在于“团队化”是否值得：一方认为并行子智能体能加速复杂任务分解，另一方数据显示多数情况下高推理强度的单智能体更具性价比，且Opus等模型组队后运行时间反而延长。目前尚无定论表明团队模式在所有场景优于单体，需结合具体模型与预算权衡。

后续需关注：1) Vals AI是否在其他领域（如金融、法律）复现此团队效能测试；2) OpenAI/Anthropic原生多智能体支持的实际用户采用率；3) 下一版Vibe Code Bench对长周期迭代能力的评分变化。