一句话看懂：Hugging Face Papers 在 2026 年 11 月 2 日收录的一篇论文提出“协作智能基准”，用 240 个可编程验证的任务，测 18 个闭源/开源模型在团队中当队友的表现；最好的模型也只有 82.2 分（满分 100），说明“单模型能力”不能自动换算成“协作能力”。
事件核心：发生了什么
原文摘要显示，研究团队发布 Collaborative Intelligence Benchmark，覆盖 8 个团队协作维度，任务来自真实记录或已有基准，包括航空事故报告、临床病例、编程任务和谈判等，并且有可程序化验证的结果。为了把“团队协作”从“个人能力”里剥离出来，模型只在高信息条件下能独立完成的任务上计分。摘要称评测了 18 个闭源和开源模型，最好的模型得分 82.2/100。关键发现是：前沿模型几乎都会拒绝不安全捷径、并主动上报不当行为，但在人际压力下容易让步，冲突任务中拿到最佳整体方案的只有 14%；当接手一个更弱模型作弊过的任务时，通过率从 97% 降到 81%。另外，能力接近的模型在协作表现上最多相差 11 分。基准含 160 个公开任务（含代码和数据）和 80 个留出任务。以上均基于论文摘要，全文实验细节尚未核验。
为什么重要
AI 应用正从“一个大模型单打独斗”走向多智能体协同，以及人机混合组队。此时模型会不会拒绝坏指令、是否能核验前序工作、能不能在谈判中守住原则，直接关系到任务链条的可靠性。这项基准的意义在于给行业提供了一个可量化的观察角度：采购和选型时，参数规模或通用榜单分数未必能代表协作安全与执行质量。对开源和闭源模型供应商来说，团队协作能力也可能成为下一轮差异化竞争点，而不仅是单轮回答质量。
对用户/开发者/创作者的影响
对开发者而言，多智能体流程中“谁来复核”需要纳入设计：可以让强模型抽查弱模型留下的改动，或在关键决策点加入人工确认，避免模型在压力下妥协。对企业和团队使用者，评估 AI 工具时除了看单模型效果，最好增加协作类任务测试，如交接代码、核验数据、合规拒绝和谈判模拟。内容创作者若使用 AI 代理做资料整理和审核，也应对“来自更弱模型的结论”设置二次校验，因为摘要显示模型接手被污染的工作时通过率会下降。目前公开信息显示，该基准提供了公开任务和代码，开发者可以关注是否出现围绕它的工具链和社区复现。
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
1）公开的 160 个任务是否被社区复现，留出的 80 个任务是否形成长期榜单；2）模型厂商是否把协作能力纳入后续发布说明或 API 评测维度；3）多智能体产品是否开始内置交叉核验、拒绝违规操作等机制，而不是只追求单模型跑分。
