AgentWorld：多智能体 LLM 长时程协作基准
原标题：AgentWorld: Benchmarking Long-Horizon Collaboration of Multi-agent LLMs
AI 摘要
研究团队提出 AgentWorld，一个基于 MMORPG 沙盒的多智能体长时程协作基准，包含 100 个人工标注任务（另有 100 个增强变体），任务需 3–20 个角色不对称的智能体在 25–55 轮内通过通信、联合规划与资源共享协作完成。同时提出基于图的因果协作有效性指标 CCE，衡量团队行动中真正对结果有因果贡献的比例。在 Gemini 3 Flash、Claude Haiku 4.5、GPT-5 Mini 和 DeepSeek R1-70B 上的实验显示最佳模型任务成功率仅 52.0%，CCE 仅 0.320，暴露出通信中断、角色混淆和无法维持共享计划等系统性失败模式。项目完全开源。
正文节选
AgentWorld: Benchmarking Long-Horizon Collaboration of Multi-agent LLMs Abstract Existing multi-agent benchmarks primarily test in competitive settings, short-horizon interactions under 20 steps, or simply aggregate individual performance, failing to isolate and highlight genuine collaboration capabilities of LLM-based agents. We introduce AgentWorld, a benchmark of 100 human-annotated tasks (with 100 augmented variants) for evaluating long-horizon, multi-agent collaboration. Tasks span 50+ inte