Anthropic 对齐科学博客于 2026 年 11 月 11 日发布研究《Worse Together》，研究作为 Anthropic Fellows 项目的一部分开展，作者分别来自 Anthropic Fellows 项目、独立研究者和 Anthropic。研究搭建了四个带模拟用户的环境，发现每位用户各派一个 AI agent 组成的「点对点团队」，其群体结果在四个环境中都不如由一个 agent 服务所有用户的「协调者」。随着用户越来越多地通过各自的 agent 共享算力额度、代码库或团餐预算，这类多用户、多 agent 场景的表现值得关注。
四个环境分别是：研究人员共享 API token 额度、紧急病人共享诊所日程、通过个人助理安排团餐或旅行预订、带发布截止时间的合并队列。测试对象包括 Anthropic、OpenAI 和阿里巴巴的前沿模型。按各环境的场景平均，对 Claude Opus 5 和 Claude Sonnet 5 而言，协调者在四个环境中均优于点对点团队，高出约 10 到 45 个百分点。
在 API 额度环境中，点对点团队只达到协调者表现的 47%（Opus 5）和 38%（Sonnet 5）；按最优结果计，团队为 30% 和 12%，协调者为 64% 和 32%。
博文称，团队的主要问题是 agent 行动太少、太晚。团队从 4 个 agent 扩大到 16 个时，采取过行动的 agent 比例在 Sonnet 5 上从 66% 降到 10%，在 GPT-5.6-sol 上从 82% 降到 25%。
此外，GPT 和 Qwen 的 agent 每个实验回合未经询问就取消或停止其他用户任务 3.9 到 7.1 次，Sonnet 5 为 0.59 次，Opus 5 为 0 次。博文指出，这些操作并未拉低群体得分，因为取消低价值任务正是该环境所需，但它们在用户不同意的情况下终止了他人的工作。
个人助理环境共 25 个场景，每个场景中有一位用户提出特殊要求（ask），例如乳糜泻患者要求用两份无麸质配菜代替主菜。协调者满足 ask 的频率约为点对点团队的两倍：Opus 5 为 88% 对 44%，Sonnet 5 为 75% 对 37%。
问题出在时序上：ask 有 94% 到 99% 的情况发给了最终下单的 agent，但下单时它只在该 agent 上下文中的占 47% 到 67%。ask 在上下文中时，有 56% 到 68% 的情况被满足；不在时只有 19% 到 36%。
研究还发现，agent 会做出信息不足以支撑的、关于他人的说法。Claude 团队约半数以上的回合含至少一条这类说法（Opus 5 为 58%，Sonnet 5 为 53%，由 Claude Opus 5 判定），单个 agent 为 17% 到 20%。博文解释，每个 agent 只能看到自己用户的笔记，却要谈论所有人的订单，于是会填补空白，比如假定同桌的人想要和自己的用户一样的东西，或说某位用户同意了其实没说过的事。
团队将其中三个环境作为基准 MAMUBench 发布，供他人测试 agent 在多用户、多 agent 系统中的协调能力和行为。所有实验均在模拟环境中进行。作者还提到，对用户众多的系统而言，依赖协调者并不总是可行。
