ClawArena-Team：基准测试语言模型智能体中的子智能体编排与动态工作流

本文提出 ClawArena-Team 基准，旨在评估大语言模型作为管理者编排子智能体团队的能力。现有基准多关注单一策略或固定多智能体系统，缺乏对单模型领导力的隔离测量。该基准包含 41 个多轮次、多模态场景，通过限制主代理感知与权限，强制其指挥固定子代理池，以纯执行方式计算“子代理管理得分”。实验表明，权限授予而非感知是主要瓶颈，且成本与管理质量解耦，廉价开源模型亦能表现优异。