CLASHarness: как ведут себя агенты, когда субагенты врут, а ресурсы заняты

Обнаружено: «увидеть» и «исправить» у агентов почти независимые навыки. Модель находит ложный отчёт субагента, но состояние системы не чинит. Тестовый набор (бенчмарк) CLASHarness позволяет понять, где ломаются многоагентные системы, где главный агент раздаёт задачи помощникам. Выводы можно превратить в правила для инструкции. Авторы собрали 600 раундов и прогнали 15 моделей. Правду можно узнать только из самой среды: скриншота, лога, файла, а отчёты субагентов нарочно устаревшие или ложные. Итог: три точки отказа. Слабые модели слепо верят коллеге. Сильные находят обман, но не чинят последствия. Все забывают «хвосты» в конце: снять блокировку, передать работу дальше.