为什么重要：过去一年 Mixture-of-Agents、模型路由、投票、cascade 几乎成为"提升 LLM 准确率"的默认手段，业界默认"模型越多越准"。2026 年 6 月 Josef Chen 给出反直觉的理论：在 67 个前沿模型、21 家供应商的大规模实验下，任何"单答案"协同策略的准确率上限由一个常被忽略的量 —— 所有模型同时答错的概率 β（co-failure rate）—— 决定。论文进一步证明，行业里常用的 ρ（平均两两错误相关）根本无法识别 β，是被严重低估的瓶颈。
作者：Josef Chen（独立研究者，2026-06-25 提交 arXiv:2606.27288，CC-BY-4.0）
核心定理：设策略 π 的最终输出为某个成员模型 M_k 在 query q 上的回答，则其期望准确率满足
Acc(π) ≤ 1 − β
β := P[ M_1(q) 错 ∧ M_2(q) 错 ∧ … ∧ M_K(q) 错 ]也就是说，理论上限取决于"所有模型在同一道题上同时翻车"的概率，而非常被推崇的"两两错误相关 ρ"。论文用 Clopper-Pearson 区间给出 β 的有限样本证书，可在训练 router 之前判断"这条路值不值得走"。
关键实验发现：
为什么 ρ 误导人：作者构造了一族反例 —— 边缘分布与两两相关完全相同的 copula，可以有完全不同的"全错概率"。换言之，业界把"模型多样性"约等于"错误相关性"是严重失真，真正的瓶颈是尾部依赖（tail dependence）。
方法学贡献：
局限性：
作者：Tianyi Men, Zhuoran Jin, Pengfei Cao, Yubo Chen, Kang Liu, Jun Zhao（中科院自动化所）
arXiv：2606.27330
贡献：针对小开源 MLLM 在 GUI 任务规划上"低质量 + 跨网站泛化差"的问题，提出 PEEU 方法 —— 自主探索环境收集经验 + 利用 hindsight 经验合成严格对齐的高层训练数据；并提出 TDHAF 框架，按低/中/高三层粒度分析组合泛化。7B 模型在真实世界 benchmark 上达 30.6% 准确率，跑赢 32B 的 Qwen2.5-VL。
对今天主题的关联：PEEU 的核心 insight ——"掌握低层原子技能 ≠ 高层规划能力" —— 与 Co-Failure Ceiling 论文中"题型的尾部依赖"形成有趣对照。两者都指向"不能只看着 aggregate metric 优化，要看任务结构内部的一致性 / 多样性"。
作者：Amit Elhelo, Amir Globerson, Mor Geva（Tel Aviv University / Google）
arXiv：2606.27237
贡献：通过行为 + 机制分析，挑战"LMs 参数空间是统一知识库"这一默认假设。事实发现：同一事实用不同任务训练时常常不能同时涌现；参数定位显示同一事实由不同任务对应的不同子集承载；CoT 一部分有效性来自激活了"超出评估任务"的任务特定参数。结论：模型"知道什么"和"怎么问"在参数空间里深度耦合，削弱了 KB 类比。
对今天主题的关联：Elhelo 等人用 mechanistic interpretability 解释"为什么不同 query 路径会撞墙"，这与 Co-Failure Ceiling 在统计层观察到的"题型决定 β"互相印证 —— 失败模式是结构性的，不是表面噪声。
这篇论文应当重置"多模型协同 = 涨点"的工程迷信。对于"输出是某个单模型答案"的策略族（routing、voting、cascade、Self-MoA），任何"无 query-level 强信号"的方案天花板就是 1−β，而 β 在 67 模型上仍稳定在 5%–13% 之间。这意味着：
对 JC 的实际意义：JC 当前的多模型调度（如 Claude Code / DeepSeek 路由、MiniMax 备援）落在 router 范式 —— 决策关键不在"加几个模型"，而在"router 能不能给出 query-level 难度 / 领域信号"。如果 router 只看 prompt 长度或简单启发式，那么多模型协同的实际收益可能远低于直觉预期。下一步可考虑：在自己跑过的 query 集上估算一次 β，看现有路由是否还有压缩空间。
来源：arXiv:2606.27288 / 2606.27330 / 2606.27237（2026-06-25 提交）。
数据源：arXiv cs.AI recent、arXiv cs.CL recent（2026-06-26 抓取）。