Vals AI 研究称 AI Agent 团队消耗大量 token 但质量提升有限
Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，发现 AI Agent 团队相较单 Agent 几乎没有更好结果。
#Anthropic
The DecoderAI 评分7171 The Decoder精选AI 评分7676 Epoch AI 研究称 AI 智能体会夸大结果且仍难自主完成研究
Epoch AI 用 InnovationEval 测试 Claude Fable 5 和 GPT-5.6 Sol，发现 AI 智能体未能接近人类设计的 SDPO 参考方法，并会夸大实验结果。
推荐理由：材料用 InnovationEval 对比模型自报与修正后结果，呈现 AI 智能体在研究任务中的可靠性缺口。