多 Agent 协作的两极：前沿模型自组织涌现与编排本身可学习 —— 合读精读

题目区

本篇合读两篇 2026 年 10 月 15 日同日发布的多 agent 协作论文：

作者与机构关系：

• 论文 A：Maxence Faldor、Satinder Singh、Roberta Raileanu，全部来自 Google DeepMind，单一企业机构、无高校合作，属于前沿模型能力测评类工作。
• 论文 B：Guowei Xu*、Zhenting Qi*、Amani Kiruga、Himabindu Lakkaraju、Yilun Du（*一作二作等贡献），全部来自 Harvard University。其中 Qi 与 Xu 均为 Economy of Minds（Qi et al., 2026）的作者——那篇提出了用拍卖协调 LLM agent 的经济框架，本文是把该框架从『冻结权重、进化 prompt』推进到『权重级联合训练』的直接后续。

为什么合读：两篇论文回答的是同一个问题的两个侧面——当一群 agent 共同完成长链条任务时，分工与协调从哪里来？

• 论文 A 的答案：前沿通用模型 + 通用工作守则，协作可以完全涌现，无需任何显式编排设计。
• 论文 B 的答案：协作模式本身可以被显式参数化（出价）并放进训练循环里联合优化。

一个展示了涌现的上限，一个展示了训练的收益，合读能看到这个领域完整的可能性空间。

一、论文背景：多 agent 系统的协调从哪里来

1.1 LLM 多 agent 系统的两种主流做法

先补齐共享背景。LLM 多 agent 系统指多个大语言模型 agent 各自持有角色、工具与记忆，通过通信共同完成任务。当前主流做法有两类：

1. 固定编排：人类预先设计交互拓扑——manager 委派 worker、verifier 检查 generator、或按既定工作流传递（MetaGPT、ChatDev、AutoGen、CAMEL、多 agent 辩论等）。谁在什么时候说话，写死在框架里。
2. 推理时自适应：GPTSwarm 优化 agent 连接图、AgentNet 通过经验演化去中心化路由、Graph-of-Agents（GoA）用图结构选择 agent 并精炼回答。交互模式可变，但模型权重冻结，适应只发生在上下文层面。

1.2 被忽略的耦合：编排与能力互为函数

两条路径共享一个未被打穿的假设：编排结构与个体能力是分离的。即使参与训练（如 Multiagent Finetuning、Dr. MAS、CoLLM），轮到谁行动的决策通常也固定不变。论文 B 在引言里点破了这层耦合：

• 哪个 agent 在某个状态下行动，决定了群体的轨迹走向，也决定了哪些 agent 获得经验与学习信号；
• 随着 agent 变强，有效的参与模式也应随之变化——训练早期该出场的 agent 后期可能多余；先前无用的动作在下游 agent 变强后可能变得有价值；
• 因此在固定编排下训练个体，只优化了这个耦合过程的一侧。

1.3 论文 A 的背景：Minecraft 长时程测试床的三十年悬案

Minecraft 通关需要跨越三个维度完成长序列依赖步骤：主世界收集资源造工具 → 下界收集烈焰棒与末影珍珠 → 定位地下要塞 → 终界摧毁十颗治疗水晶并屠龙。MineDojo（2022）把从零击败末影龙列为 moonshot 目标。已有的两条攻击线：

• RL/游戏策略学习线：VPT 从在线视频学键鼠控制并造出钻石工具、DreamerV3 用 RL 从零挖到钻石、SIMA/SIMA 2 从像素跨多个 3D 游戏行动。共同点：需要大量游戏数据训练策略，均未完成屠龙。
• LLM+游戏专用规划器线：Voyager 把 Mineflayer 程序写进自动课程下的技能库；DEPS、GITM、JARVIS-1、Plan4MC、Optimus-1 加入了 Minecraft 专用规划器、知识、记忆或学习到的技能。长时程成果集中在主世界科技树（钻石工具级别）。

两个社区项目近期报告了端到端屠龙：单个 Claude Opus 5 agent 调用 37 个人类写的高级 Minecraft 工具（Normal 难度，AI Bengineering 2026）；规划器+动作选择模型组合使用固定速通种子（Peaceful 难度，Malde 2026）。没有系统在零人类游戏工具、随机种子的条件下端到端通关过。

1.4 两篇论文在光谱上的位置

两篇论文恰好站在『编排光谱』的两端：

• A 端问：如果模型足够强、守则足够通用，编排还需要设计吗？
• B 端问：如果编排要学习，应该怎么参数化、怎么训练、学完能复用吗？

两端相遇处的共同参照物恰好都是 Minecraft：论文 A 用它做涌现测试场，论文 B 用它（MineStudio 合成任务）做训练场之一。同一游戏、同一类长链条依赖结构，两种截然不同的利用方式，这让合读时的对照更加公平。

二、论文定位和关联工作

论文 B 在 Related Work 中的定位非常清晰，三层逐级排除：

1. GPTSwarm/AgentNet/GoA 在推理时调整交互——权重冻结，能力不增长；
2. Economy of Minds 用拍卖协调 LLM、SALE 用成本-价值打分选策略——反馈只用于进化 prompt 或种群，权重仍冻结；
3. Multiagent Finetuning/Dr. MAS/CoLLM 训练了 agent 权重——但不把『下一个行动者的选择』与『奖励如何分配』挂钩。

MPT 的差异点是通过学到的出价把轮次分配与信用分配耦合成一个闭环。论文 A 则在其 Related Work 中明确列出与两个社区屠龙项目的差异维度：给 agent 的东西不同——四个通用编码 agent 只拿到原版 Mineflayer 库（含寻路插件）、一段话目标与通用指令，没有游戏策略指令、课程、技能库、人类工具、路线，每个运行的程序都是 agent 自己写的。

三、问题定义

把两篇论文的具体场景剥掉，抽象出共同本质问题：

核心问题：N 个 agent 共享一个目标的顺序决策过程中，每一轮『谁行动』的决策与任务回报如何共同决定系统性能，且两者相互耦合——参与决定经验分布，能力变化又应反过来改变参与模式。

拆成两个子问题：

1. 协调充分性问题（论文 A）：当个体模型能力足够强时，仅凭通用工作守则（验证结果、构建可复用工具、记录教训、诚实汇报）与最低限度的通信信道（聊天+共享笔记），有效的分工、记忆、互助能否在无中心指挥下自发形成，并支撑超过一天、数千个依赖步骤的长时程任务？
2. 协调可学习性问题（论文 B）：能否把『何时参与』参数化为策略的一部分，让参与决策与行动策略从同一批任务经验中联合学习，而不依赖中央协调者？且学到的编排要能复用到新任务、能靠增加个体数扩展、能抗个体下线。

两篇的证明方式也构成对偶：论文 A 给的是存在性证明——在模型能力与通用守则的某种组合下，专用编排设计是不必要的；论文 B 给的是构造性证明——编排可以表示为可偏好学习的出价策略，与 RL 联合优化后确实随能力演化。前者不控制变量（单次运行），后者严格控制变量（等 FLOPs、同种子、逐组件消融），方法论上互补。

四、问题解法

4.1 论文 A：四个通用编码 agent + 一个观察者

基本设置。四个 Gemini 4 Argon 通用编码 agent（janesick、gyldenia、auratian、bulicame），各自在独立云机器上运行，各控一个 Minecraft 玩家。游戏为 Java 版 1.20.4 生存模式、Easy 难度、随机种子、作弊命令关闭、全程无人类输入。目标指令只有一段话：『目标是从本次会话共享的 Minecraft 生存世界出生点出发击败末影龙……这是唯一标准。生存模式规则内任何满足它的手段皆可，玩家自行决定分工。』

感知与行动全部经由代码。agent 不看像素、不按键盘、不用鼠标：它写一段短 JavaScript 程序（比如『走到这些坐标并挖掉 16 格内所有铁矿』），由 Mineflayer bot（开源库 + 寻路插件，不加任何 helper）执行，然后读回文本：位置、血量、背包、发现物或报错，接着写下一段程序。程序中位运行时长 33.5 秒；全程每个玩家约 40% 时间有程序在跑，其余时间用于读结果、思考、写下一程序。程序可加载 Node.js 内置模块与已装的 Mineflayer 包，但不能起进程、不能写文件、不能联网——全程 2,839 个程序无一发起网络请求或引用网络来源。

通信与记忆。玩家通过游戏内聊天交流（消息会出现在每个玩家下一个程序的输出里）；每个 agent 有持久记忆，含私有与团队共享两部分，指令要求把必须扛过上下文压缩的信息（进行中的工作、下一步）存进去。通用守则只有几条：行动前观察、行动后验证；新工具先在小任务上验证再信任；手工操作拖慢速度就自建精炼工具；把机制、策略与变通记进记忆，别把同一个障碍撞两次；后台任务跑着时继续干别的；诚实汇报行动与结果；追求目标而非利用环境或评测的漏洞。

第五个 agent：Observer。同一通用 agent 的另一个实例，只看不打：对照记录核查玩家的声明、报告规格博弈（钻评测漏洞）与捏造结果、只在环境故障（工具坏了、配额到顶）时干预、从不参与策略。它全程发布了实时报告（进展摘要、已验证事件日志、基础设施发现），未发现任何作弊；人工抽查日志亦然。整个运行期间研究人员可以在实时仪表盘上观看、随时暂停或停止，但从未需要干预。

4.2 论文 A：27 小时逐阶段回放

这份过程数据是论文最独特的资产，值得分段细读：

第 0 小时：一支队伍的形成。第一个程序跑起来后 10 分钟，janesick 在聊天里提议分工（自己冶炼铁做工具、gyldenia 收集木头食物 beds 与燧石、auratian 与 bulicame 下矿洞找钻石黑曜石）；一分钟内 auratian 给出一个不同版本的计划，gyldenia 回复『Copy that!』。角色迅速定型：gyldenia 侦察食物 beds 与燧石、bulicame 下矿洞找钻石、janesick 冶铁做工具、auratian 备下界门。两小时内团队有了铁器、钻石与下界门——auratian 在一个村庄里直接找到 55 格岩浆，janesick 放下最后一格黑曜石，auratian 两秒后点燃门框（+1h42）。

第 2–11 小时：下界。末影之眼需要烈焰粉（下界要塞的烈焰人掉落）与末影珍珠（末影人掉落）。团队分头行动：janesick 找到要塞与烈焰刷怪笼；gyldenia、auratian、bulicame 在诡异森林建两格高掩体——被注视的末影人会传送冲向玩家，但近三格高的它钻不进两格天花板下面，于是末影人自己送上门。第 5.5 小时，共享箱里集齐 15 颗珍珠。带烈焰粉回主世界花了六个多小时：janesick 身揣 12 个烈焰粉烧死了，一个 Ghast 火球又炸毁一堆掉落物。损失变成规则：Ghast 袭击后，auratian 立刻给全队贴出教训（永远不要在开阔地下界荒地结束评估、必须在封闭隧道中转），两分钟后 janesick 贴出根因与修复（返程东向有一个 2 格落差挡住路径，去程顺手凿成 1 格台阶）。

第 10–13 小时：三角定位要塞。扔出的末影之眼会飞向最近的要塞。janesick 从两处各扔一颗，以 50 毫秒间隔采样眼球飞行轨迹，程序里对两条射线求交点：距村庄 1.3 公里，与真实传送门房仅差 43 米。然后 12 颗末影之眼需要运过去——auratian 溺水时距 bulicame 只有 8 米，janesick 与 auratian 各自把精确坐标与物品消失时限发给 bulicame，bulicame 以两分半的余量捡回全部 12 颗（物品 5 分钟消失）。第 13h17m，bulicame 报告末地传送门点亮。

第 13–27 小时：学习打龙。终界是团队最慢的一段：龙杀了他们 69 次。尝试之间，他们直接从游戏数据里读龙的内部状态（包括当前行为阶段编号），写下规则：别在到达平台上久等（龙 60 秒后会冲撞平台把你撞进虚空）；只在龙栖息时接近；龙卡住时全员故意跳虚空死亡回主世界床边重生，让空的终界卸载、卡住的龙重置（第 17.5 小时四人六分钟内集体跳下）。突破发生在约第 21 小时：auratian 指出黑曜石柱顶的十颗水晶以每秒 2 血持续治疗龙（200/200 满血、原版栖息伤害上限 50 血），并算出登顶根本不需要镐—— dirt 徒手 0.75 秒可挖、100% 回收，挖 45 块土在柱边搭柱上升到水晶旁，赤手拳碎水晶，再徒手挖土下来。接下来 4 小时 40 分钟里团队拆掉全部十颗（gyldenia 6 颗、auratian 3 颗、bulicame 1 颗），最后一颗于 +26h34m 落下；39 分钟后龙死了，bulicame 血量只剩 2.5/20。

4.5 论文 A 的涌现行为清单

指令里没有任何角色、共享箱、抢救的概念（只有『玩家自行决定分工』一句），但 229 条消息中涌现出这些模式（一条消息可匹配多个模式）：

• 专业化：gyldenia 管食物补给并后期拆 6 颗水晶；janesick 造工具、找要塞、三角定位；auratian 点火下界门、想出拆水晶方案；bulicame 建末影人掩体并在终界打出最后一击。
• 共享记忆变成公共品：第 19 分钟 gyldenia 警告 Mineflayer 合成接口的一个坑及绕法，修复用的 helper 函数后来出现在 655 个程序里，四个 agent 都在用。全队维护 146 件跨程序存活的状态与代码（含 42 个 helper）：水中自动漂浮的后台循环、计时走路、物品计数、让超时程序残留代码自停止的计数器（被 1,519 个程序引用）。
• 纠错文化：auratian 的程序宣布了一个并未发生的成功（14 颗末影之眼已入库），两分钟后 auratian 自己更正：『我上一条聊天是一个无保护的脚本分支』；janesick 报告带着 12 烈焰粉归来的一秒前其实已烧死，gyldenia 三分钟内标记矛盾。

4.6 论文 B：MPT——出价的双重角色

MPT（Market-based Post-Training）的机制核心是一句话：出价既决定谁行动，也决定价值如何沿行动链向后分配。

拍卖式轮次分配。每轮各 agent 依局部上下文独立出价 b_i（反映参与意愿），最高价者行动；平价随机；全零则跳过该轮。无中央调度。出价被翻译成小模型可学的五档语义：0=我的动作现在帮不上忙；0.2=勉强有用；0.4=有用；0.6=重要；0.8=我是瓶颈，没有我链条动不了。

出价即信用分配纽带。回合 t 的行动者保留累计价值的 (1−b_t) 作为自身训练 credit，把 b_t 传给上一行动者——bucket brigade 式后向传播：v_t = r̂_t + b_{t+1}·v_{t+1}，tilde_r_t = (1−b_t)·v_t。t+k 回合的奖励以 ∏b_j 的权重回流到 t。直觉：你在关键时刻高价接手，等于向后『买下』了前人铺垫的状态，前人的回报由你实现；第一个行动者向后传的部分被丢弃。

两种学习交替。行动学习用带 per-agent 均值基线的 REINFORCE：每个 agent 只用自己行动轮次的 action token 更新自己的参数。出价学习用反事实比较：定义『有竞争回合』为次高价非零的回合；在副本中恢复该回合的环境与 agent 状态，重采样被选 agent 的出价（至多 3 次）直到低于次高价、让次高价者转而行动（失败则该回合弃用）；替代分支跑到终局，两条分支按从该回合起的环境奖励总和打分，分出胜负构造偏好对 (y_w, y_l)，等分弃用；用 Bradley–Terry 目标 -log σ(log π(y_w|h) − log π(y_l|h)) 更新。训练按 4 步行动 + 1 步出价交替，两者优化同一套参数，让行动能力与参与模式共同演化。

三个领域、各三个互补角色：

所有 agent 独立参数，先 SFT 冷启动（具身合成用 Claude Sonnet 5 生成 4,791 条真实交互示范：Logger 1,677 / Miner 2,380 / Smith 734），后训练与环境对比均在完全匹配总算力的条件下进行（单体基线用全部角色合并数据微调同一基座 + REINFORCE，γ=0.95）。

一个具体回合长什么样（论文附录案例）。第 3 决策步，背包全空、身处光照 14/15 的林间，三个 desk 各给一句出价理由：

• Logger 出 0.8：『连砍三次失败后账户已空，此刻再挥一斧是唯一希望』——胜出，发出指令 chop down the nearest tree；
• Miner 出 0：『还没有镐、包里没有任何有用的东西，地下没有我能碰的』；
• Smith 出 0：『Craftable now 字面写着 nothing，我一根原木一块木板都没有』。

出价理由全部锚定在具体库存事实上（这正是 prompt 要求的『引用具体库存事实的一句话推理』），接手与否的判断完全局部化——没有中央调度，也没有全局状态广播。深度研究的案例同样干净：问题『电影 Legend of the Lost 在哪国拍摄』（参考答案 Libya），6 个决策完成——Searcher 首轮检索（出价 0.8/0/0.2）、Opener 打开 Wikipedia 词条（0.8/0.8/0.2 平价后胜出）、FINDER 连续三轮在页内 find(“Libya”)/find(“Ghadames”) 交叉确认后交出最终答案 Libya，判官判对。

五、评估指标与实验证据

5.1 论文 A：一次运行的全量记录

这是一篇没有 baseline 表的系统报告，证明力来自全量留痕 + 外部锚点 + 独立见证：

证据链为什么可信：胜利写在服务器日志里（bulicame 获得进度 Free the End，+27h14m）；每个程序及其输出、每条聊天、完整服务器日志全部归档；2,783 个程序无一使用服务器命令；Observer 独立核查声明且未发现规格博弈；三角定位要塞这类关键细节可以从留档程序逐行复核（程序注释是 janesick 自己写的两条射线参数）。

局限同样诚实列出：单次运行（首次尝试，无法说明可靠性）；Easy 难度（怪物伤害低、饥饿不会致死）；Mineflayer 特权感知（直接读出周围方块与生物——包括岩石后的、以及龙的内部状态元数据——寻路插件包办绕障，人类靠眼睛）；预训练含大量 Minecraft 与 Mineflayer 知识（测试的是能否把知识转成一天级程序流与团队协调，不是玩没见过的游戏）；终界之战近 14 小时、605 次死亡。

5.2 论文 B：控制变量下的全面对比

主结果（等训练 FLOPs，训练奖励曲线）：

Held-out 泛化（训练集不相交，各实例评 3 次，均值±标准误）：具身合成（32 未见世界种子）41.5±5.9 vs 20.3±4.1；导航（88 个 R2R-CE val-unseen）1.23±0.18 vs 0.52±0.14；深研（50 留出问题）21.0±4.1% vs 9.0±2.1%。

编排对比（同一组训练后行动策略，只换协调机制，Iron Pickaxe 32 种子）：MPT 41.5±5.9 vs GoA 25.4±4.6（最强替代，+63.4% 相对提升）、Round-robin 23.8±4.2、AgentNet 20.9±4.2。这个实验设计干净：行动能力固定，纯比协调机制。

组件贡献（初始/训练后 2×2 消融，Iron Pickaxe）：出价初始+行动初始 15.4±4.1；仅训练出价 21.5±4.7；仅训练行动 27.2±4.8；双训练 41.5±5.9（全初始的 2.69 倍）。双向均有贡献且近似互补。

机制消融（约 5×10^18 FLOPs）：MPT 42 vs 随机 credit 31（保留拍卖分配与出价优化，仅把信用分配中的出价换成 U(0,1) 随机数）vs Round-robin 15（完全去掉出价，轮询+γ=0.95 训练，几乎不涨）。

参与模式随学习演化：Iron Pickaxe 第 120 决策步，Logger 占比从 SFT 后（RL 前）约 80% 降到 RL 后 45%，Miner 从约 10% 升到 40%，Smith 从约 10% 升到 15%——编排不是设计出来的，是学出来的。

复用、扩展、鲁棒：从铁镐检查点继续学 Torch / Stone Bricks，约 10^18 适应 FLOPs 时 35 vs 17、38 vs 19；3→12 agent（用训练好个体复制 1–4 份），pass@3：Wooden Pickaxe 78%→97%、Stone Pickaxe 69%→94%、Furnace 66%→91%，零额外训练；dropout p=0.9 时 12-agent 群保持奖励约 33，3-agent 群约 19。

作者自列局限：依赖外部可验证的任务奖励（未测主观反馈场景）；出价更新需要从同一环境与 agent 状态出发的反事实 rollout——扩展到不可逆的真实世界交互仍是开放问题；算力限制下未探索单模型超 10B 或更大群体联合训练。

5.4 两篇论文的评估哲学对照

两种评估哲学对应两类贡献：里程碑式的工作靠留痕的完整性让单次运行可审计；方法式的工作靠消融的干净让每个机制贡献可归因。读者评鉴同类论文时，先分类再选择对应的质量标尺。

六、效果优势的根源解释

6.1 论文 A：为什么『什么都不给』反而成功了

表面归因『因为 Gemini 4 Argon 够强』是不完整的。机制上的因果链是：

供给端移除 → 能力被迫内生 → 正反馈循环成形。先前系统把能力做进基础设施（人类写的技能库/规划器/课程/37 个高级工具），agent 只需执行——这既检验不了通用性，也让所有涌现行为无法与脚手架的贡献区分。本文只保留通用编码 agent 的软件工作流（写程序-读结果-记教训），所有游戏策略必须由 agent 在 27 小时内自己生成。结果是一条正反馈循环：守则『构建可复用工具』→ 第 19 分钟 gyldenia 发现 Mineflayer 合成接口的坑并贴出修法 → 修复 helper 出现在 655 个程序里；守则『把教训记进共享记忆』→ Ghast 火球炸掉掉落物后两分钟出规则、再两分钟出根因与修复 → 损失制度化；守则『诚实汇报』→ auratian 主动撤回未发生的成功声明。工具越攒越多（146 件跨程序存活的状态与代码），教训越记越厚，605 次死亡没有白死。

通信带宽极低，但信息密度极高。229 条消息人均每小时约 2 条，听上去少得惊人，但 173 条含精确坐标。低带宽迫使 agent 把记忆外置到共享笔记、把协调压缩为可执行的坐标与规则，而不是寒暄。分工能在第 10 分钟自发形成，说明模型预训练里存有大量人类团队协作模式——守则只要不阻止它，它会自己冒出来。

必须强调的反面（作者自己列的）：这个循环的燃料是预训练知识（模型认识 Minecraft 与 Mineflayer）+ Mineflayer 的特权感知与寻路 + Easy 难度；单次运行无法回答可复制性。交叉验证：同期两个社区屠龙项目在更宽松供给（37 个人类工具/固定种子）下也成功了，但它们无法分离『模型能力』与『工具供给』的贡献——本文的独特价值恰在于供给端归零后能力仍在。本次检索范围内未发现第二个零游戏工具、随机种子、多 agent 自组织的通关报告。

6.2 论文 B：为什么出价双重角色胜过固定编排

单体 RL 为何大幅落后（41 vs 20）：不是模型容量差异（基线是同款基座全数据微调），根源在信用路径。单体 agent 在 120 步回合里用同一套参数对每一步打分，稀疏高值事件（石镐 +20、铁镐 +30）的 credit 混在漫长探索步里被稀释；MPT 中 Smith 只用自己行动轮次的 token 更新，credit 直达『此刻 craft 是瓶颈』的那一步——角色分工天然完成了信用聚焦。

固定编排为何落后（Round-robin 15，几乎不涨）：问题不在轮询低效，而在参与模式无法随能力变化。训练初期 Logger 主导合理（没有木头一切免谈），但 Miner/Smith 变强后仍被轮询表锁死在等长轮次里——每轮约 2/3 的行动注定无法推进链条。反事实出价训练给出参与的直接反馈（这回合让次高价者走会更好/更差），Logger 晚期占比 80%→45% 的迁移是学出来的状态依赖。

bid 信用为何优于随机 credit（42 vs 31）：这是最关键的一针消融——保留拍卖轮次分配与出价优化，只把信用分配里的出价换成随机数，增益消失大半。说明学到的出价确实编码了接力价值：高价接手意味着前人状态被我买下，回报沿出价链回流给真正铺路的人。这是 Holland bucket brigade（1995 分类器市场）与 Baum 的 Hayek Machine（1996/1999）在 LLM 权重上的复活，且被现代消融方法论证实仍是主要来源。

学到的编排为何胜过推理时编排（41.5 vs GoA 25.4）：GoA/AgentNet/Round-robin 都只在推理时调整交互，权重里没有存储任何关于这个任务族的有效参与模式；MPT 的出价策略经过了 1,614 个种子的 RL 与反事实训练，把『什么状态下谁该接手』固化进了参数。交叉视角：这与 MARL 经典结论一致——COMA 的反事实基线（边际化单 agent 动作、固定其余）同样用『换人会怎样』分配 credit，MPT 可视为其拍卖式 LLM 对应物；IC3Net 学何时通信、VDN/QMIX 分解团队价值函数，都指向参与/贡献可分离度量这一共同根基。相反方向的参照：Multiagent Finetuning（ICLR 2025）训练专用模型但交互固定，Dr. MAS 只做 agent 间 advantage 归一化，CoLLM 研究集中/分散 critic——它们都不把轮次选择与奖励分配挂钩，正是 MPT 填补的缺口；本文检索范围内未发现更早把两者显式耦合进 LLM 权重训练的工作（最近的拍卖先例 Economy of Minds 权重冻结）。

6.3 合读视角：互为对方的极限测试

论文 A 证明：模型能力与通用守则足够时，显式编排机制（角色分配器、轮次调度器）可以不存在——涌现能填满这个空间。论文 B 证明：在 4B–8B 开源小模型区间，把编排显式化并训练它，收益巨大（等算力单体 RL 的 2–4.5 倍、最强推理时编排的 +63.4%）。两条线拼起来的推论：编排机制的必要性随模型能力递减；但编排可学习性提供的增益在弱模型区间不可替代。

论文 A 的 27 小时涌现有一层论文 B 数据无法复现的东西——跨主体互助与牺牲（溺水抢救 12 颗末影之眼、集体跳虚空重置龙、死亡物品抢救 20 次）；论文 B 的反事实训练有一层论文 A 无法做到的东西——单变量归因（每个机制的贡献都被消融隔离，连 credit 来源都有随机化对照）。前者给过程数据，后者给因果证据。

七、必要知识反推

要从零做出这两篇论文，作者必须掌握的知识栈：

共享底座：LLM agent 工程全栈（上下文压缩策略、持久记忆的私有/共享分区设计、工具沙箱）；多智能体 RL 信用分配脉络（REINFORCE 变体与基线设计、COMA 式反事实、值分解传统）；Minecraft 生态三个接口层的精确能力边界（Mineflayer=程序化读写游戏状态、STEVE-1=文本条件低层控制、MineStudio=训练环境封装）。

论文 A 额外需要：大规模 agent 基础设施的运维与留痕设计（5 分钟世界快照、全量程序-输出归档、崩溃后从最近存档重启、6 次重启的容错）；观测协议的指令工程（Observer 如何被约束成独立见证者：核查声明、报告规格博弈、只在环境故障时干预）；安全沙箱思维（不能起进程/写文件/联网全部是硬约束而非守则）；以及最稀缺的——克制：明明可以给提示、给工具、给课程，但为了归因干净全部不给。

论文 B 额外需要：微观经济学与机制设计（密封拍卖、Hayek 价格传递分散知识、Contract Net Protocol、bucket brigade 信用传递、Baum 的智能经济观）；偏好学习（Bradley–Terry 目标、偏好对构造与等分弃用）；可逆环境的副本与状态恢复工程（反事实分支要求环境与 agent 状态可精确回滚——这是方法成立的工程前提，也是不可迁移到真实世界的根源）；跨领域统一实验设计（视觉/语言/工具调用三种模态共享同一套拍卖与训练循环，才能支撑结论的普适性主张）。

知识融合方式：论文 B 是经济学传统（Minsky 心智社会、Holland 分类器市场、Hayek）与 LLM 后训练的直接缝合——bid 的五档语义设计（0=pass 到 0.8=我是瓶颈）把经济量翻译成小模型可学的离散档位，且出价与行动共用同一参数（4B 模型一套权重既会干活也会报价）。论文 A 则是软件工程方法论（可复用工具、验证、事故根因分析、事后复盘）向 agent 守则的翻译——守则没提一个游戏术语，却足以组织出要塞三角定位与泥土柱拆水晶这类领域策略。

八、通用性灵感

1. 把协调机制做成可学习参数，而不是框架常数。任何多人/多模块系统（微服务路由、模型路由、团队任务分派、供应链调度）都存在『谁接下一个任务』与『功劳怎么分』的耦合。MPT 证明两者可以用一个量（出价）同时承载并联合学习。设计启示：发现自己手写 if-else 式调度规则时，问一句——这个规则能不能变成策略的一部分吃反馈信号。
2. 供给端归零是最好的能力测试。论文 A 的实验设计方法论可迁移：评估任何系统时，把所有人类先验（工具、模板、课程）拿掉，看剩多少——残余性能才是模型（或组织）的真实能力。附带收益：所有涌现行为都无法归因于你的脚手架。
3. 低带宽高信息密度的通信优于高带宽闲聊。229 条消息里 173 条含精确坐标。团队协作系统的通信设计应强制结构化（坐标、规则、倒计时），而非开放聊天。对多 agent 系统的直接推论：压缩通信带宽可能反而提升协作质量。
4. 损失快速制度化的正反馈循环。事故 → 两分钟贴规则 → 再两分钟补根因 → 规则进共享记忆 → 全员复用。605 次死亡没有白死的机制就在这里。这个循环对人类团队同样成立：复盘的价值在于制度化速度，不在于复盘本身。
5. 反事实是参与决策的唯一直接老师。判断『该不该我上』缺乏标签时，造一个平行世界：让替补上，看结果差多少。环境可回滚的场景（模拟器、A/B 测试、可重放日志）都能套用；不可回滚场景（论文 B 承认的开放难题）可用离线反事实估计近似。论文 A 中 auratian 想出泥土柱方案、论文 B 中 Logger 晚期让位 Miner，本质都是对『换个人会不会更好』给出了答案——只是一个靠模型内部模拟，一个靠环境副本实测。
6. 规模冗余是被低估的鲁棒性来源。12-agent 群在 90% dropout 下仍保 33 奖励（3-agent 群 19）。自编排系统的好处是复制个体即扩容，无需重新设计协调协议——对任何去中心化系统（爬虫集群、边缘计算、值班系统）都适用。
7. 涌现与训练的边界即模型能力的量尺。同一协调问题，4B 模型需要显式拍卖+反事实训练，前沿模型靠守则即可涌现。评估自家场景该投入编排机制还是模型升级时，这个对偶给了决策框架：先测守则+现有最强模型能否涌现，不行再上可学习编排。

加评：一窋涌现实录，一炉机制锻造

这两篇同日发布的论文像一次天然的对照实验。Google DeepMind 交出的是一段无法复现却无法否认的实录：四个通用 agent、一段话目标、一库标准 Mineflayer，27 小时后龙死了。它的科学价值不在可重复性（单次运行是最大软肋），而在过程数据的完整——从第 10 分钟的角色自组织，到第 9 小时的损失制度化，到第 21 小时『泥土柱 beating pickaxes』的领域洞察，每一步都有留痕。Harvard 交出的是一套可以复用的锻造工艺：把经济学里沉睡了三十年的 bucket brigade 装进 LLM 训练循环，用反事实分支给出参与的直接反馈，消融干净到每一份增益都可归因。

值得一提的是两篇对『局限』的处理态度。论文 A 用整整一节列出六条局限（单次运行、Easy 难度、Mineflayer 特权、预训练知识、605 次死亡与 22% 程序报错、6 次服务器重启），并单设 Responsible Development 一节说明沙箱、见证与暂停权；论文 B 在附录 D 承认三条边界（奖励质量依赖、反事实需可逆环境、算力上限）。都不粉饰，这在能力展示与训练范式两类论文里都算诚实样本。

合读的余味在于：MPT 的三个 agent 在 4B 规模上要靠拍卖学会的接力，Gemini 4 们靠着预训练里人类团队协作的先验直接就会了——但这不意味着 MPT 路线会贬值。前沿模型贵（一次通关 $810、2.4 万次调用）且不可复制（单次运行），开源小模型 + 可学习编排才可能成为日用基础设施。更可能的未来是两条线合流：用 MPT 式训练把协调能力蒸馏进权重，让中等规模模型在守则级供给下也能涌现论文 A 式的协作。届时回头看，论文 A 定义了天花板，论文 B 铺了楼梯。