先学跟人协作，顺手把代码也练强了：Ampersand 自称多智能体版追平前沿模型
作者：陈一帆
humans& 称，训练 Ampersand 更好地与人协作之后，它的多智能体版本在 SWE-bench Pro v2 HARD-51 上拿到 92.2%，自称追平 Fable 5.1、更快更便宜，且未做额外编码训练。这篇聊清多智能体和单模型的差别、协作训练为何可能顺带把编码练强，也标出哪些结论还只是厂商说法。
先想一个日常场景。线上系统出了 bug，你可以请一位全能老手，从读需求、翻代码、改代码到跑测试全包；也可以派一个小队，一个人翻日志、一个人动代码、一个人盯验收，出错的地方在组内就被同伴拦住。多数编码模型走的是前一条路：一个模型从头干到尾，自己写、自己查、自己宣布“没问题”。11 月 5 日 humans& 的公告，把后一条路摆到了台面上。
公告说了什么
2026 年 11 月 5 日，humans&（@humansand）在 X 上发帖，标题是“Co-Coding：一起干活的前沿编码”。核心说法是：他们训练 Ampersand 更好地与人协作，结果发现多智能体版 Ampersand 追平了前沿编码模型，更快、更便宜，并且没有做额外的编码训练。
数字都是厂商自报。SWE-bench Pro v2 的 HARD-51 子集得 92.2%，自称追平 Fable 5.1——括号里补了一句“便宜 70%”——与 Gemini 4 Argon 相当，超过 Astra、Muse Wonder 和 Kimi K3；另一套 DeepSWE v1.1 上得 77.9%，与 Gemini 4 Argon 持平，领先 Astra、Grok-4.7、Kimi K3 和 DeepSeek-v4-pro。想试的话，多智能体模式只在自家 Agent API 里提供，接下来一周送 250 美元额度。
帖子发出半小时，Ekin Oflazer 跟了一句感慨：“训练模型跟人协作，居然编码也变好了。” 这算旁证里的情绪，不算验证。
组队干活和一个人干，差别在哪
单模型干活像一个人闷头写作业：前半段思路顺，后面越写越信自己，前面埋的假设错了也很难自己发现。多智能体则是把一次任务拆给几个实例，各自带一点上下文：一个去检索代码和文档，一个动手改，一个专门挑毛病、跑测试。好处是错误有机会在交付前被另一个人撞见，坏处也很实在——拆活儿本身要沟通，拆不好就互相甩锅，成本和延迟都往上走。所以“多智能体”不是免费的加分项，它更依赖调度和收尾的设计。
这次宣称里最反常识的是训练顺序。行业常见做法是先把模型往编码上猛练，再补上配合能力；humans& 说的是反过来，先练协作，编码成绩顺带涨了。为什么可能成立？这里是我的推测，原帖没有给机制解释：与人协作练的是几件很工程的事——把需求复述清楚、把假设摆到桌面上、中途同步进展、交付前互相核对。这些恰好也是写代码的节奏。多智能体分工直接复用了这套节奏，一个实例查资料，一个动手改，一个验收，单模型“自己写自己查”的盲区就被同伴补上。类比一下新同事入职：先学会跟组里配合，做项目反而更稳，写代码的本事是在配合里磨出来的。
哪些还没证实
期待和已实现的事要分开摆。目前所有成绩都出自厂商自己的帖子，我没看到官方博客、技术报告，也没核对两套基准的榜单原文，更没有第三方复现。几个口子得留着：
- “便宜 70%”是紧跟在 Fable 5.1 后面的括号注，字面像指成本，但口径没写：同任务同配置的单次成本，还是含延迟和用量的综合？
- HARD-51 只有 51 道题，92.2% 大约是答对 47 道，样本很小；题目难度分布和评测框架也未见说明。
- “未做额外编码训练”的边界不清：指后训练阶段没喂编码数据，还是连基础语料也排除在外？
- 多智能体模式只在自家 Agent API 提供，第三方想独立复测会受限；公司背景和模型规模目前没有公开信息可查。
我的态度
方向值得期待，结论先挂起。如果“协作训练能迁移到编码”日后被复现，那说明沟通、规划这类通用能力可能和编码共用底层技能，这会实实在在改写各家的训练配方；但在那之前，“追平前沿”只能按厂商标称来读。
对普通开发者来说，这更像一次低成本尝鲜：一周 250 美元额度，用 Agent API 把多智能体模式丢到自己手上的真实项目里跑一跑，看它是真能接住错误，还是只在榜单题上整齐——这比看任何百分比都直观。
转载说明
本文根据以下公开资料整理，原文及配图出处见下方。
评论 0
还没有评论，来抢沙发。