Cohere Labs 测试编码智能体团队：ProgramBench 上团队胜过单体，强主管配便宜规划工人约 30% 成本逼近最佳；Claude Opus 5 试跑全部超时

这件事意味着什么

【要点】

Cohere Labs 10 月 14 日发布研究博客，系统测试编码智能体“团队”该怎么组织。主基准是 ProgramBench：200 个程序（从 jq、ripgrep 到 SQLite、FFmpeg、PHP 解释器），智能体只能运行原程序、读文档，从零重写，按隐藏行为测试通过率计分。主要用 GPT-5.6 的三个档位 Luna、Terra、Sol（能力和价格递增），每种配置跑 3 次取平均。

结果：同样的简单提示下，Sol 团队通过 61.8%，单个 Sol 为 52.1%；团队成本是单体的 4–7 倍。只把“探索与规划”交给工人、主管自己写代码和验证，得分 63.6%，与三个阶段全委派（63.2%）持平，成本 249 美元对 510 美元，单位成本收益约为次优阶段的两倍。Sol 主管配便宜的 Luna 规划工人，作者称可在约 30% 成本下接近全 Sol 团队（要点中给出 61.8% 对 63.2%，成本 510→155 美元）。但便宜工人补不了弱主管：Terra 主管加 Luna 工人 51.6%，不如 Sol 单干的 57.7%。给工人互发消息的工具几乎没有带来提升。

其他模型（30 题子集，单次运行）：Claude Opus 4.8 团队最多提升 5.9 点；Opus 4.7 很少委派，提升有限；Claude Haiku 4.5 与 Gemini 3.7 Flash 委派得多却没有收益。Claude Opus 5 试跑的 8 题全部撞上 8 小时超时，每题约 500 美元，约为 Opus 4.8 团队的 15 倍，已停止。

【可核验】

Cohere 博客原文：https://cohere.com/blog/lessons-from-scaling-teams-of-frontier-coding-agents

【我们的判断】

一、结论很实用：加多少智能体不如加在哪里。黑盒复刻任务的瓶颈是弄清“要做什么”，所以规划最值钱；在规格已写明的 Commit0 上，实现阶段反而更值。

二、局限要看清：主要是单一框架和单一基准；其他模型只跑一次，几个点的差距可能是噪声；Opus 5 只是超时没跑完，不能据此判断其能力。

三、“强主管＋便宜工人”给出了明确的降本路线，也说明“会带团队”本身是一项可以训练的能力，不同模型差别很大。