当大模型从“单兵作战”走向“多 Agent 协同操作电脑（Computer Use）”，如果队友 Agent 读了旧缓存报假消息、下发了互相矛盾的指令，甚至锁死了共享文件，主控 Agent 该听谁的？来自 Google、Emory、USC、UF、UChicago、UCSB 和 Columbia 的研究团队联合发布了CLASHarness，首次对 15 个主流大模型在多智能体冲突下的真实表现进行了大考。 现在的 AI Agent 已经越来越多地被组队部署到写代码、云运维、财务对账和企业审批等真实工作流中。但现有的 Computer-Use 基准（如 OSWorld、WebArena）几乎都默认了一个理想前提：环境信息永远一致，所有队友 Agent 都百分之百靠谱。 真实场景显然不是这样。在多 Agent 协作中，子 Agent 经常会因为读了过期缓存而汇报错误状态，或者在文件锁和权限上跟主 Agent 撞车。比如：子 Agent 发消息说“线上服务一切正常，请立刻切流”，但实时监控面板的截图里其实已经在疯狂报错。这时候，主 Agent 如果盲信队友的文字汇报，就会直接酿成线上事故；它必须主动打开监控截图核实真实状态（Ground Truth），并动手回滚配置、释放共享锁。 论文标题：CLASHarness: Benchmarking Multi-Agent Conflict in Computer Use via a Controllable and Verifiable Generation Pipeline 论文地址：https://arxiv.org/abs/2610.19128 开源代码与数据集：https://github.com/google-research/CLASHarness 数据集规模：覆盖 20 个真实领域、600 个多轮可执行冲突任务、7,970 张 4K 视觉证据图片、3,284 项必测检查点。 一、 为什么做“多智能体冲突基准”这么难？ 要构建这样一个包含代码库、终端日志、多 Agent 聊天记录和高清 UI 截图的冲突测试集，难点在于：纯靠人工编写根本没法大规模扩展；而如果直接让 LLM 一次性生成，又极易出现前后剧情矛盾、题面不小心泄题、甚至生成连标准答案都过不了的“死题”。 为此，CLASHarness 设计了一套“三层八阶段”自动化生成与验证管线，从源头上保证100% 的任务可解性： 图 1：CLASHarness 的三层八阶段生成管线。绿框代表零成本的代码自动修复，红框代表带报错反馈的局部单步重试。 1.分步规划 + 局部自动纠错（图 1）：管线先规划全局大纲和 Agent 角色权限，再按每 3–4 轮滚动生成具体任务，避免长文本上下文跑偏。每轮生成细分为 8 个小步骤：一旦出现路径或格式问题，直接用代码自动修复（0 次模型调用）；出现逻辑冲突则只重试出错的那一小步，无需推倒重来，平均仅需95 次 API 调用就能合成一个完整的 10 轮连续任务包。 2. 杜绝文本“走捷径”，关键证据只藏在 4K 图里（图 2）：为了防止 Agent 不看图、光靠搜文本混过关，CLASHarness 会先定好解决冲突的关键真值（比如真实账单金额、权限矩阵状态），再渲染出3840 × 2160（4K）分辨率的真实 UI 截图或实景照片，并用自动扫描器清空所有文本文件里的答案线索，逼着 Agent 必须看图取证。 3. 先在沙盒跑通标准答案，再生成评分器：所有任务的评分标准（34.9% 精确代码检查 + 65.1% 语义三票多数决检查）全部直接从真实沙盒里跑通的参考轨迹中提取生成。同时内置23 个模块化冲突插件，开发者可以像搭积木一样按需合成新的冲突测试场景。 图 2：CLASHarness 生成的 4K 视觉证据示例（涵盖监控面板、IAM 权限对账表、算力调度监控与报销账单明细）。 二、 15 大前沿模型实测 四个反直觉的核心发现 研究团队在 600 个冲突任务上评测了15 个主流模型（包括 Claude Opus 5 / 4.8、Sonnet 5、GPT-6 Astra、GPT-5.6 系列、Gemini 3.x 系列，以及开源模型 Kimi K3、DeepSeek V4 Pro / Flash、GLM-5.2），累计跑完了9,000+ 条真实沙盒轨迹。 图 3：15 个模型在 CLASHarness（600 个任务）上的总排行榜。左侧彩条为端到端任务通过率（Pass Rate），右侧为单项检查平均得分（Mean Score）。 发现 1：单点得分不低（~60%），但端到端通过率无一突破 30% 如图 3 所示，在标准 20 步限制下，Claude Opus 5（25.2%）和GPT-5.6 Sol（24
