它给的不只是结论，是一个能测出来的旋钮
「agent 跑久了会停滞」不是新观察，但这篇把它变成了一个可以量的量。方法上的关键是选了一个有理论刻画的参照物：独立采样——反复独立抽样并取最好的那次，它的 Elo 随算力的对数线性增长，每十倍算力增加 400 Elo。 有了这条基准线，「agent 的编排到底有没有加值」就成了一个可判定的问题。答案是分段的：前期有，agent 把 token 换成 Elo 的效率高于独立采样；后期是负的，边际收益一路递减，最终掉到参照线以下。也就是说到了某个预算之后，继续让同一个会话跑下去，还不如直接多抽几次独立样本。 那个交点就是论文定义的 scaling inflection point：边际 Elo 收益与独立采样参照持平的单次会话预算。
既不是越长越好，也不是越碎越好
最实用的一组数字来自 FrontierCS Polyomino Packing 上的拆分实验。同样的 1 亿 token 总预算，拆到并行会话上比**单次长会话多 264 Elo**，也比**拆成十次短会话多 355 Elo**。 两个方向都被否掉了：一次跑到底会越过拐点、浪费后半段的算力；切得太碎则每次都还没爬到 agent 效率最高的那一段就结束了。中间存在一个能测出来的最优，而测法就是先在自己的任务上找到拐点。 对按 token 付费跑 agent 的人，这直接翻译成一条实践：**别先问「要不要给它更多时间」，先测出你这类任务的拐点在哪，再据此决定单次会话的预算和并行度。**这比「加长思考」和「多跑几次取最好」都更省，而且它是一个可以一次测完、长期复用的参数。
人类那条对照线是这篇最有分量的部分
论文没有停在 agent 之间的比较。在共享的 AtCoder Heuristic Contest 任务上，最强的历史人类选手随比赛时间**超线性**提升——越做越快地变好，而 agent 越做越慢。作者的博客把这一点写得更具体：在一个两周的编程马拉松上，当前 agent 在 24 小时左右走平（即便单次试验用掉 1 亿 token），而顶尖人类起步更慢，最终大幅反超。 这不是情绪化的「人类更强」，而是把持续学习这件事的差距量化了：人类在过程中改变了自己的方法，agent 在同一个会话里主要是在重复和微调。作者也据此指出，agent 停滞之后还有可观的提升空间——这是个乐观结论，只是它要靠新的测试时策略去拿，而不是靠再加预算。 本站 9 月 8 日写过 OpenAI 公布的内部数据：8 月中每 1 个人类工作日配 3.1 个 agent 工作日，而 4 到 8 小时的成功任务里超过一半至少需要一次人工介入。这篇论文从机制侧给了那个现象一个解释——不是介入的时机有什么讲究，是长会话本身会停滞，所以人必须在某个点上进来。 边界照抄作者的口径：预印本，未经同行评审；覆盖四个 agent、四个开放式基准，人类对照来自 AtCoder Heuristic Contest 的历史选手数据，拐点的具体位置随任务和 agent 而变，论文给的是方法而不是一个通用数字。
via: arXiv:2609.15309《When Agents Slow Down》、Hugging Face 论文页、作者博客《Humans Still Beat AI in the Long Horizon》