Today's best coding agents lose nearly half their capability when paired up to share work.
【令人震惊】斯坦福 CooperBench 发现：当两个顶级 Coding Agent 协作时，性能下降近 50%！这彻底打破了「Agent 越多越好」的直觉。更令人不安的是，失败集中在「中等难度」任务的甜区——恰好是最应该从协作中受益的区间。这对 Multi-Agent 架构设计者是一个严峻的警示：规模化 Agent 系统的瓶颈不在算力，而在「社会智能」。
reasoning models tend to produce much shorter reasoning traces (up to 50%) for the same problem under different context conditions compared to the traces produced when the problem is presented in isolation.
令人震惊的发现：同一道题，仅仅因为周围塞入了无关上下文，推理模型的思考链长度就缩短了最多 50%——而题目本身一字未改。这意味着我们以为在评估模型「解题能力」，实际上评估的是「在特定上下文包装下的解题能力」。所有在孤立问题上测得的推理 benchmark，都可能严重高估了模型在真实 Agent 场景中的实际推理深度。