OpenAI 在通向 AGI（通用人工智能）的五大階段中，將「組織級」智能列為最終目標：即 AI 能像一個組織般管理復雜流程、決策高層任務、協調大規模操作。 近兩年來，大量多智能體系統（Multi-Agent Systems, MAS）研究陸續涌出，不斷朝這這一里程碑邁進。

為了推動該領域加速健康發展，由上海交通大學、上海 AI 實驗室、牛津大學、普林斯頓大學、Meta 等十個機構聯合推出的MASLab，帶來首個統一、全面、研究友好的大模型多智能體系統代碼庫：

• 論文地址：https://arxiv.org/pdf/2505.16988
• 代碼地址：https://github.com/MASWorks/MASLab

「一鍵橫評」「快速上手」「復現無憂」

你是否也曾：

• 看了幾十篇 MAS 論文，卻發現代碼實現千差萬別？
• 打開一個 MAS 項目的倉庫，一眼望去配置亂、接口雜？
• 想嘗試復現或二次開發，但總是無從下手，Debug 到天亮？

那你一定不能錯過 MASLab！

MASLab 有多好用？

MASLab 統一化集成了超過 20 種主流 MAS 方法，涵蓋過去兩年內各大頂會的成果、多個領域、多種任務類型。并且每種方法都經過研究者們逐步輸出比對，確保過程和結果嚴格遵循原始實現！

三大核心特性，一次到位：

? 方法全：包含AgentVerse、ChatDev、LLM Debate、AFlow、MAS-GPT 等 20 多種多智能體方法，為廣大研究者省去復現煩惱！

? 評估準：統一輸入預處理、LLM 配置、評估協議，確保橫評公平性與可重復性！

? 結構清晰：統一方法實現結構，新手也能輕松上手，輕松拓展！

跨域橫評，真實力一目了然！

研究者們利用 MASLab 進行了大量實驗分析，覆蓋 10 余種評測基準（MATH、GPQA、GAIA等），包括 LLaMA-3.3、Qwen-2.5 系列、GPT-4o 等 8 大主流模型，首次系統地刻畫大模型多智能體（MAS） 方法在多個任務維度下的性能圖譜。

通過大量實驗，為廣大研究者們展示了當前多智能體系統方法的發展現狀、有劣勢等。

MASLab 研究團隊不僅緊跟多智能體（MAS）領域前沿，更基于現有成果，創新性地提出了更高效的 MAS 方法 ——MASLab-ReAct。該方法支持搜索、讀圖、讀語音等多種工具，并在 GAIA 驗證集上取得了更優結果！實驗數據更是有力證明，尤其在需要代碼執行、圖像解析等工具調用能力的場景下，MAS 展現出無可比擬的顯著優勢，預示著其在真實世界應用中蘊藏的巨大潛力！

多維剖析：不只是簡單跑跑實驗！

MASLab 進一步探索：

?? 僅因評估協議不同，不同 MAS 方法排名可發生巨大變動！

MASLab 研究團隊探討了不同 MAS 方法使用的評估協議，實驗證明 ——評估方式選擇，直接影響科研結論！這一結果直接地證明了 MASLab 這一統一代碼框架對多智能體領域的重要性！

擴展性分析：

考察不同多智能體方法 Test-time Compute 的拓展性：

考察不同模型尺寸（7B～72B）對多智能體方法表現的影響：

失敗分析：詳細追蹤格式錯誤、工具調用失敗等常見問題源。MAS 系統的表現不僅依賴模型「聰明」，更依賴其是否能「聽懂指令」。

共建未來：開源共享，共創智能新生態！

MASLab 不是閉門造車的項目，而是為社區而生的開源平臺，歡迎社區貢獻！共同打造 MAS 的標準實驗平臺！

未來 MASLab 將持續開源更多方法與基準，推動構建真正可持續發展的 MAS 研究社區！

MASWorks 大模型多智能體開源社區

與此同時，MASLab 研究團隊近期發起了一個全新的倡議 ——MASWorks 開源社區！愿景是連接全球研究者，匯聚智慧，一同分享、貢獻與協作，共同推動 MAS 領域的蓬勃發展。

作為社區啟動的首個重磅活動，MASWorks 將在ICML 2025舉辦聚焦大語言模型多智能體的 Workshop：MAS-2025！期待全球廣大學者的積極參與，共同探討、碰撞思想，描繪 MAS 的未來藍圖！

• MASWorks：https://github.com/MASWorks MAS-2025
• ICML 2025 Workshop on MAS：https://mas-2025.github.io/MAS-2025/