Google 开源 CLASHarness，评测 15 个大模型在多 Agent 冲突中的表现
它把“队友 Agent 说假话”变成可复现的考题：顶尖模型单步能拿 60 分，但完整解决一次冲突的通过率不到 30%。
真实多 Agent 协作中，队友 Agent 会读过期缓存报错、抢锁、发互相矛盾的指令。Google 联合多所高校开源 CLASHarness（一套可自动生成、答案可验证的多 Agent 冲突测试基准），用 600 个多轮任务、近 8000 张 4K 截图，实测 15 个主流大模型。
正文摘录
.jpg)  当大模型从“单兵作战”走向“多 Agent 协同操作电脑（Computer Use）”，如果队友 Agent 读了旧缓存报假消息、下发了互相矛盾的指令，甚至锁死了共享文件，主控 Agent 该听谁的？来自 Google、Emory、USC、UF、UChicago、UCSB 和 Columbia 的研究团队联合发布了 CLASHarness ，首次对 15 个主流大模型在多智能体冲突下的真实表现进行了大考。 现在的 AI Agent 已经越来越多地被组队部署到写代码、云运维、财务对账和企业审批等真实工作流中。但现有的 Computer-Use 基准（如 OSWorld、WebArena）几乎都默认了一个理想前提： 环境信息永远一致，所有队友 Agent 都百分之百靠谱 。 真实场景显然不是这样。在多 Agent 协作中，子 Agent 经常会因为读了过期缓存而汇报错误状态，或者在文件锁和权限上跟主 Agent 撞车。比如： 子 Agent 发消息说“线上服务一切正常，请立刻切流”，但实时监控面板的截图里其实已经在疯狂报错 。这时候，主 Agent 如果盲信队友的文字汇报，就会直接酿成线上事故；