协作成本：大模型多智能体系统在协调中损失多少表现

大语言模型多智能体系统已广泛应用，但两个模型需要协调而非独立行动时会损失多少表现，仍不明确。研究将“协作成本”定义为带私人信息的双人合作博弈中的去中心化损失，用两个命题描述其正负及与最大超可加性违背的等价关系。32项单模型可解任务按信息与环境对齐的障碍分组，并以7家提供方的11个模型测量。所有模型均呈现相同的任务类别排序，协作成本随模型能力提升单调降低。直接机制并非推理能力不足，而是四阶段对话连锁：提出无依据主张、不询问伙伴、未整合双方信息、未经重新推导就接受答案。对话特征可预测该成本；同时针对四个环节的提示干预缩小明显比例的差距，各类别主要瓶颈不同。不同能力模型配对时，损失更接近较强模型，而非两者的平均，符合理论预测。结果将多模型协作视为可测量、可预测且部分可缓解的成本。