Mode A per-paper synthesis。把 S1-MAS 的"协调—推理计算分工"放到 8 篇 agent 邻居里定位： 它要替换的协调范式(AutoGen/MetaGPT)、它借用的"小模型做有界决策"成本哲学(RouteLLM)、 它背后的长上下文证据定位动机(SWE-bench)、它声称能治而别人证明难治的结构性失败(MAST), 以及一层正交的系统级效率(Autellix)。
把 8 个邻居按"与 S1-MAS 的关系类型"分成五簇,而非平铺:
AutoGen 与 MetaGPT 都把协调放在生成式 LLM 上,只是松紧不同:AutoGen 靠 LLM 对话涌现控制流(最灵活、最贵)[2308.08155],MetaGPT 靠 SOP 把拓扑钉死(省决策但不自适应)[2308.00352]。S1-MAS 的 delta 是提出第三条路:保留自适应、但把协调决策从 LLM 迁到非生成式 System One。确定性编译器 $W_t=\text{Compile}(S_t,\chi_t)$ 把动作空间裁成有界菜单,再由 Laya 打分 [2610.08155]。消融里把协调交回 GPT-4o-mini(w/ GPT)烧 2.19M token 却不更准(83.14% < 84.17%),省 75.5% token——这是对"协调必须由 LLM 做"这一隐含假设的直接反驳 [2610.08155]。
这是最需要辨析的 delta。RouteLLM 把推理本身路由到强/弱模型:决策"谁来回答",被路由走的是生成 [2406.18665]。S1-MAS 把协调路由给 System One,但所有实质推理仍在 GPT-4o 上(Eq 5 是唯一做推理的 LLM 调用)[2610.08155]。换句话说:
二者正交,原则上可叠:S1-MAS 的 worker 调用本身可再被 RouteLLM 式强/弱路由(见 §5)。另一处 delta:RouteLLM 的路由器在人类偏好数据上训练 [2406.18665];S1-MAS 的控制器零任务特定训练,直接用预训练 System One 打分 [2610.08155]。
S1-MAS 的阅读器与 SWE-bench 的"坍缩上下文提分"是同一直觉的两面:相关证据定位 > 全量喂入。但 delta 在尺度:SWE-bench 的上下文是 438K 行、3010 文件的真实 repo [2310.06770],而 S1-MAS 的阅读器只在"当前候选答案这一条 worker 响应"内定位 $\ell_t$ [2610.08155]。S1-MAS 从未在 repo 级上下文上验证其定位机制——这既是 delta 也是攻击面(§3.4)。
Reflexion 的进步靠强 backbone 的 verbal 自诊断,弱模型上归零(starchat 0.26→0.26)[2303.11366]。S1-MAS 的 delta 是:协调这一步不需要生成式自诊断,一个亚十亿参数的非生成模型打分即可,且这步在 w/ Random 消融里被证明有实质价值(84.17% vs 随机 82.34%,token 几乎相同)[2610.08155]。即 S1-MAS 主张"协调决策的质量可以与生成能力解耦",这是 Reflexion 范式里不存在的断言。
矛盾标注:MAST 实测 MAS 失败是结构性的,孤立修复(改 prompt/改拓扑)只加 +9.4–15.6%,且 MetaGPT 虽少 60–68% 的 FC1/FC2 失败却多 1.56× 的 FC3 验证失败——即"修一类坏一类" [2503.13657]。S1-MAS 则声称仅换协调后端就在 6 基准全胜、HumanEval 达 91.46% [2610.08155]。
矛盾根源:两者测的任务难度带不同。MAST 覆盖 ChatDev/HyperAgent/AppWorld 等在 coding/general-agent 难任务上的长轨迹失败 [2503.13657];S1-MAS 的 6 主基准是 GSM8K(97%)、MultiArith(99.9%)这类近饱和的短任务,且硬性 $T_{max}=4$ 限制轨迹长度 [2610.08155]。S1-MAS 可能是靠"任务太短 + 轨迹太浅"从源头规避了 MAST 的结构性失败,而非真正治愈它们——在 MAST 的难任务带上两者的主张能否共存,未被验证。
减少量的分母是 AgentVerse/DyLAN/SelfOrg 等 MAS。Table 2 里 DyLAN 在 HumanEval 烧 39,540 输入 token(远超自身 MMLU 的 1,598),连 S1-MAS 的 L1 都标为"未解释的反常尖峰" [2610.08155]。把一个明显未优化的基线当分母,97.2% 的上界就有夸大嫌疑。更公平的对标应是单 agent CoT/SC-CoT——相对它们 S1-MAS 仍贵(455/392 vs Vanilla 98/90 tok),精度优势只有 ~2 pp。反驳的反驳:即便如此,vs GPT 路由消融(2.19M→0.54M,75.5%,同框架内对照)是干净的,这条不受基线臃肿影响。
宏平均 93.97% 仅超 DyLAN 0.85 pp,而 S1-MAS 自身 std ±0.73、DyLAN ±0.99 [2610.08155]。单项上 MMLU 91.94±1.51 vs DyLAN 91.07±1.00,置信区间高度重叠。论文未报配对显著性检验。对比 MAST 的严谨:它对干预提升给了 Wilcoxon p 值(p=0.03 under GPT-4o,但 p=0.4 under GPT-4)[2503.13657]——S1-MAS 的"全胜"若补上同级统计检验,很可能退化为"持平"。真正站得住的是 token/延迟轴(数量级差距),而非精度轴。
整个结果押在 Laya(Convai Innovations 2026)上,这是一个 2026 年才发布、无公开架构文档的专用模型;S1-MAS 自身实现也未公开 [2610.08155]。对照 MAST 的教训:它特意把难复现的部分(标注方法学与 κ=0.88 一致性)与易复现的部分(pip install 的 judge)分开 [2503.13657]。S1-MAS 的"难复现核心"是 Laya 的黑盒决策质量,一旦该模型不可得或更新,全部数字不可复现。RouteLLM 相比之下开源了四种路由器与数据管线 [2406.18665]——S1-MAS 在可复现性上明显更弱。
S1-MAS 的协调价值主张,偏偏在最不需要复杂协调的近饱和短任务上验证。SWE-bench 已证明:真正暴露 agent 能力上限的是 repo 级长上下文定位,SOTA 解 <5% [2310.06770];MAST 的失败集中在长轨迹多角色 coding 任务 [2503.13657]。S1-MAS 的阅读器只在单条响应内定位 $\ell_t$,$T_{max}=4$,未碰 SWE-bench/AppWorld。因此"System One 协调可扩展到 agentic Web"的结论,其证据(WebSRC EM 90.11%,单页 HTML)离真实多页/repo 规模还很远,WebSRC 本身也接近饱和 [2610.08155]。
S1-MAS 让 System One 决定 finish [2610.08155]。但 MAST 的三大高频失败里就有 FM-1.5 Unaware of termination(12.4%)与 FM-3.1 Premature termination [2503.13657]。把终止这一高危决策交给一个不做实质推理的非生成模型,直觉上风险更高——而 S1-MAS 未给失败模式分布,L2 已把"缺显式失败类目"列为弱项 [2610.08155]。用 MAST 的 agentdash judge 对 S1-MAS 轨迹打标,是最直接的证伪实验,论文没做。
S1-MAS 占据一个此前空着的交叉格:
把 RouteLLM 的"廉价组件做有界决策"从模型选择平移到协调编排,同时保住 AutoGen 式的自适应,就是 S1-MAS 的生态位:adaptive coordination at near-zero coordination-token cost。LLM-MA Survey 的四轴分类里没有这一格,说明它确实是新坐标 [2402.01680]。
S1-MAS 不是孤例,而是 2026 年"用 System One(Jev/Laya)替代 LLM 做控制"浪潮的一员——其 L1 §2 列出同期工作覆盖 LLM planning 动作选择、edge-service 编排、agentic memory、mobile GUI、渗透测试决策等 [2610.08155]。这类生态信号(多个独立团队、多个应用域同时押注同一类模型)通常预示一个真实的范式位移正在发生。S1-MAS 的独特卡位是"第一个把 System One 用于联合任务编排 + 证据感知通信的端到端 MAS"。
但这个生态位的根基(System One 模型本身)尚未经独立检验——Laya 是 2026 新模型。对照 Survey 对整个 LLM-MA 领域的判断:collective intelligence 尚未实现,因为现有方法"孤立地调整 agent" [2402.01680]。S1-MAS 的 System One 控制器是否真能承载"集体协调"还是只是把编排瓶颈换了个廉价外壳,取决于它在难任务上的表现(§3.4)。生态位真实,但占位是否稳固未定。
S1-MAS(token/算法层)与 Autellix(serving/调度层)作用面完全正交 [2502.13965]。S1-MAS 减少 LLM 协调调用数,Autellix 减少剩余调用的 program 级排队等待。一个 S1-MAS program(controller+reader+≤4 worker 调用)天然是 Autellix 眼中的一个 DAG program,可直接进 PLAS/ATLAS 调度。猜想:在高并发 agentic Web 服务下,两者叠加的端到端延迟收益接近乘性,而非加性。这是最低垂的未摘果实。
S1-MAS 当前把所有 worker 推理锁死在 GPT-4o [2610.08155]。把 Eq 5 的 worker 调用再套一层 RouteLLM 式强/弱路由 [2406.18665],对 Solve/Decompose 这类简单操作派弱模型、对 Review/Contrast 派强模型,可叠加第二重成本节省。两类有界决策(选任务 vs 选模型)甚至可共用同一 System One 后端。
把 MAST 的 agentdash judge 接到 S1-MAS 轨迹上 [2503.13657],自动标注 FM-1.5/FM-3.1 终止类失败与 FM-1.3 step repetition,再把失败信号回灌给控制器的打分菜单——相当于给 System One 控制器加一个 MAST 感知的先验。这既补上 §3.5 的证伪实验,又把 Reflexion 式的"从失败中学"接到协调层(但学习对象是控制器而非 worker)[2303.11366]。
当前 $\ell_t$ 只在单条响应内定位。沿 SWE-bench 的"坍缩上下文提分"证据 [2310.06770],把 Qwen3-0.6B 阅读器升级为跨文档/跨网页的证据定位器,正对上 S1-MAS 结论里"multi-page Web retrieval"的 future work。真正的考验是:在 438K 行 repo 上,非生成式阅读器能否替代昂贵的 LLM 上下文扫描——这将决定 §3.4 的质疑能否被回应。
当前 $T_{max}=4$、$B_{src}=2048$ 是固定超参 [2610.08155]。让 System One 控制器同时输出"本题该给多少预算/多少轮"的元决策,把固定预算变成状态条件的自适应预算,是把有界决策推广到预算维度的直接方向。更远一步:让控制器本身在部署中自演化(Survey 的 Self-Evolution 轴)[2402.01680],而非冻结使用预训练 Laya。