Duke 与 Princeton 论文：同预算下多个小智能体团队并行优于单一大团队
这篇论文把 agent 预算怎么花这个问题做成了可对比的实验：100 个预算下，10 个小团队打赢了 100 个独立 agent 和 1 个百人大团队。做 agent 编排、跑批量任务的同学可以直接照着'小团队+verifier'的配方改自己的工作流，成本不变只改架构。
Duke 和 Princeton 的新论文测试了在固定 100 个 agent 预算下的三种分配方式：10 个 10-agent 小团队并行、100 个 solo agent 各自尝试、以及一个 100-agent 大团队。
结果显示 10 个小团队共享论坛协作、再取最佳团队结果，效果同时超过另外两种方案。其机制在于团队内部协作抬高了每次尝试的平均质量，而多团队之间仍保留了多次独立尝试的多样性；
solo best-of-N 的收益很快趋于平缓，单个大团队则随规模增长陷入停滞。论文给出的可操作结论是：只要有 verifier 能给 agent 输出打分，就应把预算拆成若干个共享笔记的小团队，保留最好的团队答案。
这对构建 agent 系统的开发者直接适用，改变了'更多 agent = 一个更大会'的默认思路。
New Duke and Princeton paper finds that, at equal compute, many small agent teams in parallel beat both solo-agent best-of-N and one giant team.
With the same budget of 100 AI agents, running 10 small teams of 10 agents in parallel and keeping the best team’s result beat both 100 solo agents and one 100-agent team.
With a verifier, teams usually run many solo agents and keep the best, but gains flatten fast. One large team does better at first, then stops improving as it grows.
They split the agent budget into teams of 10 that share a forum, then keep the best team's result. Teamwork raises each attempt's average, and several teams still give many tries.
If a verifier can score your agents' work, split the budget into several small teams that share notes, and keep the best team's answer.
本条情报归属 AITOP「论文」核心栏目，重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：智能体、Agent、多智能体协作、论文，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「rohanpaul_ai」（@rohanpaul_ai），经 AITOP 多维评分管线结构化提炼。
