10月10日，B站UP主"喵了个猫了个咪了个猫"的《AI算法对抗大赛》更新了第5集：12个大模型被分成6支双人队，限时接力改造一份又慢又乱、还藏着坑的C++老代码——有的快了上千倍，有的比原来还慢。 题目、提示词、每个模型交卷的原样代码和逐组成绩已全部开源于GitHub，任何人都能复现这场对决。 这场实验对"多智能体协作如何颠覆传统研发"给出的回答相当具体：颠覆不在"更多AI写代码"，而在研发重心从"写"转向"验证与接手"。哔哩哔哩GitHub
赛制：先提速、再找茬、后接手，输出必须逐字节不变
被优化的对象是一个仓储机器人调度仿真程序：慢、乱，还藏着5个"看起来像bug、实际必须保留"的怪行为——取消失败也计数、救援只充一半电、充到90%就离开充电桩、距离相同选编号大的机器人、平均延迟四舍五入。更麻烦的是，旧文档和代码注释写的是另一回事，只有拿输出和基线对拍才能发现。比赛分三轮：第1轮由"主程"模型限时提速，但对任何合法输入，输出都必须和基线逐字节相同，交卷前还要给队友写一份交接文档；第2轮由"测试手"模型给另外5队主程的代码构造合法输入找反例，输出不同、异常退出或超过60秒都算击穿；第3轮测试手在会话归零后接手本队主程的代码，修好别人找到的反例、实现三个需求变更，再继续优化。 团队100分总分由7个分项加权：主程速度15、抗反例10、主程盲评5、找反例20、接手正确20、接手速度20、终版盲评10。 计分文件里的旧称"攻击"“击穿”，指的就是测试手找反例，改名原因下文再说。GitHubGitHub
结果：最快2743倍，最惨一队全线崩溃
冠军是队F：MiMo V2.6 Pro打主程、GPT-6 Astra当测试手，团队总分90.8，第2、3轮都经过了重赛才定案。 五支成功完赛的队伍，终版比原始代码快了约400到2700倍——前三名快到了Windows计时精度的下限，主办方只能改成连跑多遍取平均来重测，否则0.016秒的刻度根本量不出差距。 最戏剧性的是队D：DeepSeek V4.1 Flash的主程版只快了7倍，Opus 5.5接手之后，终版相对旧基线的几何平均加速冲到全场最高的2743倍，测试手的"增值"高达629倍。GitHubGitHubGitHub
另一端是队E：GLM 5.3的主程版在一组隐藏负载上直接超时，Grok 4.7第3轮用满45分钟交回一行没改的代码，终版在9组隐藏负载上全部出错，团队总分只剩20.4。 同一道题、同一套规则、同样的限时，结果从提速2700倍塌到彻底跑不了。两极之间隔着的不是运气，而是协作结构。GitHub
差距的根源：提速容易，"行为不变"才难
真正决定名次的是第二轮的找茬环节。6份主程代码里，四家犯了同一种毛病：把基线里"用到才算"的寻路改成提前算好再缓存——语义上看着无害，特定输入下输出却已经变了，随机测试测不出来，最终7个缺陷点全是被测试手针对性构造反例翻出来的。 围观完比赛的程序员在评论区给出了最实用的一条结论：不要随便改屎山，鬼知道那坨老代码有什么奇怪的特性。 这正是AI研发与传统研发分道扬镳的地方：模型生成"看起来正确"的代码越来越便宜，"被验证正确"依然要靠行为边界定义、对拍工具和专职找茬的对手。GitHub哔哩哔哩
记分板的设计：60分给了"读别人写的代码"
计分权重本身就是一种表态：找反例20分、接手正确20分、接手速度20分，100分里有60分花在"处理和接手别人写的代码"上，纯生成速度只值15分。现场还有主程、测试手两张个人榜，以及由三个参赛模型匿名执行的可维护性盲评——AI写、AI攻、AI接手、AI互评，研发链上的每个角色都配了机器岗位。主办方对结论同样克制：每个模型每轮只跑了一次，这只是这一场的结果，不是能力排名。 第3集的附加实验还显示，同一个模型只换工具，实力值能差120分以上——"谁带队、用什么agent框架"和"模型本身"同样重要。 而6支队伍的配对靠随机抽签，有观众一针见血：这组队只有分数上的关系，没有多少工作上的协作。 真实团队能复制到什么深度，仍是开放问题。GitHubGitHub哔哩哔哩
产业对照：多智能体已是编程工具标配，技术债正是主战场
这场"自制比赛"踩中的议题，正是商用工具过去一年推进的方向。2026年2月2日，OpenAI发布Codex桌面应用，定位不再是补全助手，而是官方的说法——一个"代理的指挥中心"：开发者同时委派多项编码任务，智能体在后台独立运行、各自在隔离的代码副本里并行工作，单个智能体可连续工作约30分钟。36氪
OpenAI CEO Sam Altman点明了这类系统的主战场：AI特别擅长做那些人类工程师最不愿意做的事情，比如重构代码、清理历史遗留问题、补齐测试覆盖。 "12个AI改屎山"因此不是猎奇节目，而是正在被工具兑现的产品叙事——Codex应用发布时，过去一个月已有超过100万名开发者用过Codex。连模型厂商自己也在回应AI生成的代码垃圾：OpenAI产品负责人Tibo Sottiaux发帖称，未来的模型会更擅长删除和简化代码。36氪知乎
冷静的边界：多智能体没有自动红利
真实研发团队不是比赛重播。Google Research、MIT与Google DeepMind合作的《Towards a Science of Scaling Agent Systems》做了260组受控配置，平均结论相当冷淡：多智能体相对单智能体的收益只有-0.3%，95%置信区间从-58.7%一直跨到+77.2%。 同一批实验里最好的组合高出80.8%，最差的低了70.0%——方向不取决于"多叫几个Agent"，而取决于任务能否拆成可独立验收的子块、单智能体基线是否已经够高。协调的账单也必须记：不同架构的通信token开销相对单智能体从58%到515%不等，若按打到同等成绩来算，token可能要花1.6到6.2倍。知乎
这场比赛自己也交了真实的账单：规则原稿里"测试手"叫"攻手"、“找反例"叫"击穿”，这类说法被Claude和OpenAI的安全机制当成网络攻击任务拦下过，主办方只能整体改名重跑。 主办方的订阅账号还在比赛途中被封，按置顶评论的说法，这期损失非常惨重，没有退款，损失128美元。 对个人开发者这是几百美元的学费；对企业，这就是把多智能体放上生产线之前必须先补的课：权限边界、审计留痕、渠道稳定性。GitHub哔哩哔哩
回到标题的问题：多智能体正在颠覆研发，颠覆的是分工，不是人数。这场比赛演示的形态是——代码由AI接力生成，正确性由独立的AI对手和盲评逼出来，人退到出题、定规则和验收的位置，毕竟题目、规则和裁判仍由主办方编写，选手代码全部原样存档。 想把多智能体用进自己项目的团队，可以带着三个问题去对照这场比赛：任务能不能切成独立验收的子块，单智能体基线是不是已经够高，token、延迟、重试的协调账单有没有被单独记账。至于"上千倍提速"和"比原来还慢"为什么同场出现——一支队伍的上限，取决于验证环节的密度，而不是成员能力的总和。GitHub
