林晓今天翻到苹果和洛桑联邦理工挂在arXiv上的一篇对照实测（编号2609.40303）：机器学习工程竞赛里，复杂多智能体外壳到底值不值？先说清楚——这是苹果与洛桑联邦理工的第三方论文，不是苹果产品更新，也不是智谱GLM官方发版。
他们把模型、硬件和时间预算都锁死，一边是开源最强的一类自动机器学习工程复杂外壳，一边是「轻量编码智能体」：模型直接读写文件、跑命令，在同一次长会话里改错。轻量这套他们叫Malena，工具很少。
图1：GLM 5.2骨干下奖牌率——轻量编码智能体Malena约六成二，最佳外部复杂外壳约四成七（来源：arXiv:2609.40303）
用GLM 5.2当骨干时，Malena在62.5%的竞赛上拿到奖牌；同条件下测过的最佳外部复杂外壳只有47.1%。换别的骨干看，统计结果要么偏向Malena，要么两边奖牌率没有显著差异。也就是说：外壳叠得再花，未必打得过「强模型 + 轻量编码会话」。
图2：模型与预算锁死时，开源最强一类复杂外壳相对轻量编码会话无明显优势（来源：arXiv:2609.40303）
论文消融也指向同一方向：给模型真正的编程运行环境，是收益最大的一步；再往上加搜索树、多智能体编排，在当前基准上几乎不再显著加分。骨干模型和运行时，才是主因。
图3：换骨干后统计要么偏向Malena，要么两边奖牌率无显著差异（来源：arXiv:2609.40303）
对普通人意味着什么？别一上来就堆多智能体编排。苹果联洛桑用数字说明——在公开机器学习工程竞赛主战场上，轻量编码会话配上强骨干，奖牌率可以压过复杂外壳。边界也坦陈：主战场是这类公开竞赛，部分区间置信区间偏宽，跨智能体协调也没完全展开。数字与结论按论文公布为准，出处见arXiv:2609.40303；配图按论文结论重画，图注按本篇重写。
