一句话看懂：何夕2077 AI 深度信号周报 W46 汇总了评分有效性、具身边界与委派损耗三类信号：模型裁判的判断很稳定，但未必有效；多智能体协作的收益要先扣除信息损耗。
事件核心：发生了什么
本期周报覆盖 2026 年 11 月 9 日至 15 日。一项 tau2-bench 研究跑了 2160 次任务，模型裁判重复判定一致率达 98.2%，与原生评分一致率却只有 56.2%；在受测违规写入中，简单规则式边界检查还发现了模型裁判漏掉的问题。另一个工作流「BuySideFlow」显示，通过结果检查的 380 次运行中有 193 次违反了时点约束，占 50.8%。机器人方面，「AMP1」论文报告在无需演示和任务专项训练下，RoboLab-120 零样本成功率 85.6%，并在 108 次真机试验中成功 104 次。多智能体方面，「Lost in Delegation」发现委派并不持续优于非委派，编排模型缺知识时甚至可能降低准确率。
为什么重要
这些结果指向同一个工程问题：验收不能只看答案。模型裁判自洽不等于可靠，结果正确也不代表过程合规，增加代理数量和复核轮数并不自动带来新信息。目前公开信息显示，上述结论都限定在特定任务、模型和测试条件下，尚不能外推为通用排名。对正在搭建 agent 工作流和评测体系的团队，这意味着要把结果测试、时点规则、写入边界和形式化检查分层建设，而不是押注单一验证器。
对用户/开发者/创作者的影响
开发者应给直接执行建立基线，再检查任务交接是否保留出处、限制与不确定性；复核时分别记录改对和改错。企业采购机器人或代理服务时，可比对任务分布、失败类型和人工介入记录，而非只看演示成功率。工具上，Chrome DevTools MCP 适合把浏览器调试纳入前端验收，llama.cpp 适合在自有硬件建立本地推理基线。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是模型裁判能否加入规则检查和分层证据，而不只给总分；二是多智能体框架会不会把信息损耗指标纳入产品文档；三是机器人零样本结果能否在更多任务和硬件上复现。以上数字均来自论文摘要或官方技术报告，不代表已上线产品。
来源：Daily Digest
