OpenAI Noam Brown 透露 1 萬個 Agent 耗時 88 小時解出納維-斯托克斯難題，但稱「多智能體功勞不到 10%」

據報導，OpenAI 研究員 Noam Brown 於訪談中透露，OpenAI 先前動用 1 萬個 Agent、耗時 88 小時並消耗 1300 億 token，成功解出納維-斯托克斯（Navier-Stokes）千禧年數學難題。但他強調，多智能體系統在此突破中的功勞不到 10%，核心原因仍是底層模型本身具備極強的通用能力。 Brown 指出，多智能體是將「推理時計算」（test-time compute）由串列改為平行擴展的手段。他透露在發布 5.6 版本時，OpenAI 首次在模型中引入成形的多智能體系統，並提供「Ultra Mode」選項：預設為 4 個 Agent 協作，可使解題速度提升一倍（耗時減半但成本雙倍），內部測試最高推至 16 個 Agent 仍有略呈次線性的效能提升。至於 1 萬個 Agent 的規模僅為單次實驗結果，因成本過高，目前無法進行完整的消融實驗（ablation）來確認具體擴展效益。 在架構設計上，OpenAI 放棄高度依賴協調 Agent 分派任務的傳統框架（scaffold），改為賦予 Agent 直接向其他 Agent 發送訊息的原始工具，訊息會直接寫入接收方的上下文。這種設計讓 Agent 自發湧現出類似人類在 Slack 上的討論行為，包含互相質疑推理過程並修正答案。 針對模型未來的強化學習（RL）訓練，Brown 提到，若模型強大到一秒內就能解出題目，將無法從中學到新知；必須持續尋找能考倒模型的難題，以避免陷入進展停滯的撞牆期。