一项独立研究在6个基准、5种架构、3个模型家族上运行260种受控配置，发现多智能体效果从可良好分解任务上的大幅正向到顺序规划任务上的显著负向，跨度极大；单智能体得分较高时增益收缩，无中心验证时错误被放大的倍数远高于有验证时。