中山大学郭裕兰团队：数据充足却训练失败，多智能体到底卡在哪丨CVPR 2026

很多人其实已经在不知不觉中接触到了多智能体协作带来的变化。 电商大促时，仓库里往往不是一台机器人在工作，而是一整组机器人同时分拣、运输、避让和交接。自动驾驶真正困难的地方，也不只是让一辆车学会开，而是让很多辆车在同一条路上彼此配合。现实中的很多复杂任务，本质上都不是单个智能体可以独立完成的，智能系统也是一样。 但现实世界并不会给这些系统太多试错机会。仓库机器人撞一次货架，工业机械臂装错一次零件，代价都是真实的。也正因为如此，越来越多研究开始转向离线强化学习，也就是先利用已有数据训练策略，而不是依赖实时试错。 可一旦从单智能体走向多智能体，难度会迅速上升，因为系统不仅要学会做决策，还要在反馈有限的条件下学会协作。 这正是当前行业里的一个现实瓶颈。很多方法在实验环境里效果不错，但到了离线多智能体场景中，往往很快暴露出问题。 一方面，真实任务里的奖励通常非常稀疏，模型很难知道自己到底哪一步做对了。另一方面，多智能体协作还会带来责任分配问题，也就是最后成功了，却很难判断到底是哪一个智能体起了关键作用。结果就是，系统明明有大量历史数据，却依然学不会稳定协作，更谈不上面对新任务时的泛化能力。 在这样的背景下，来自中山大学的郭裕兰团队提出了 MangoBench，并在研究《MangoBench A Benchmark for Multi-Agent Goal-Conditioned Offline Reinforcement Learning》中，尝试重新回答一个关键问题，也就是当多个智能体不能随便试错时，怎样才能真正学会协作。 研究团队没有继续依赖传统奖励驱动，而是把问题改写成目标驱动，让模型围绕应该到达什么状态去学习，从而为离线多智能体强化学习提供了一条更清晰的研究路径。 论文地址：https://wendyeewang.github.io/MangoBench/ 性能分化的关键拐点</