四个高管吵架，模型听谁的

15 分钟读完。读完你要能回答："整合多方意见"和"敢拍板"，为什么在这批模型上是对立的？

• 原文：Can LLMs Be CEOs? Benchmarking Strategic Resource Reallocation with Multi-Role Agent Simulation
• 作者：Yuyang Dai, Xueqing Peng, Lingfei Qian, Zhuohan Xie
• 机构：MBZUAI · Yale University
• 年份：2026（arXiv:2606.17459）
• 许可：CC0 1.0（作者以 CC0 释放）。本页是导读，不是原文转载；全文在页面内嵌 arXiv HTML 版，也可到 arXiv 打开。
• 全文：https://arxiv.org/abs/2606.17459 · 站内阅读：https://arxiv.org/html/2606.17459v1

1. 它问的问题

现有的模型评测，大多测"单点认知"：推理、检索、经济学意义上的理性。

但真实的高管决策长这样：

• CFO 说现金流要保，CTO 说算力不投就落后，COO 说产线要停，CMO 说这时候砍预算等于丢掉市场；
• 每个人手里有别人没有的信息；
• 会议开三轮，上一轮已经承诺过的事不能装忘；
• 最后必须给出一份能执行的分配方案。

这些恰好是"单点认知"测不出来的。论文把这件事做成了一个基准：CEO-Bench。

2. 考场怎么搭的

多角色智能体模拟：

• 四个角色化顾问：CFO / CTO / COO / CMO；
• 每个顾问有私有信号（只有他知道的数）和不同优先级；
• 模型（CEO）要在多轮、多约束下把资金分到各事业部。

评分分四个维度：

3. 结果：结构都对，校准全错

五个前沿模型、13 个场景。

最有意思的发现是分数分裂：

• 结构有效性——大家都很高。方案格式、科目对齐、总额守恒，都没问题；
• 战略校准——分歧极大。这是最难的一层。

论文点名三种系统性失败：

1. 单一顾问俘获（single-advisor capture）：模型实质上只采纳了一个顾问的意见，其他三路的信息被忽略了；
2. 含糊时默认保守（conservative default under ambiguity）：信息不一致时，模型倾向给出"都不动"的方案；
3. 历史失忆（historical amnesia）：忘了前几轮已经做过的承诺，导致方案自相矛盾。

4. 最值得记的一条：整合—果断权衡

论文发现了一个结构性张力：

越认真权衡多个冲突视角的模型，越容易给出不够果断的方案。

这不是 bug，是两种能力在互相拉扯：

• 想整合四路意见 → 方案变得四平八稳，谁都不疼；
• 想果断 → 就得忽略一些信号，变成单一顾问俘获。

这恰好是很多组织开会的真实病症：会开得越充分，结论越模糊。论文把这个病症在模型上复现了出来。

5. 三个容易读错的地方

① "结构有效"是必要但不充分。
模型把表格填对了、数字加起来对，这是格式能力。别把格式正确当成决策正确。

② 13 个场景支撑不了模型排名。
样本量太小。论文自己也没做"哪个模型最好"的结论，它做的是能力边界的描述。

③ 顾问信号是提示词构造的。
真实高管的信息不对称来自组织结构和激励机制，不只是"你告诉他一个别人不知道的数"。所以这里的"信息不对称"是简化过的。

6. 对你自己的专业意味着什么

不管你是不是管理专业，这个框架都能用：

• 你做小组作业，四个人意见不一致，最后是谁拍板？是不是"谁声音大听谁的"？
• 你的方案是不是"总分结构都对，但不敢动任何一块蛋糕"？
• 上一轮讨论已经定的事，这一轮有没有被推翻却不说明原因？

7. 课堂任务

拿一份你们真实的季度预算会材料（社团、实验室、实习项目都行）：

1. 把四个角色的意见写成四段话，每段带一条别人不知道的信息；
2. 让模型给一份分配方案；
3. 自己按论文的四个维度给它打分；
4. 判断它是不是在"和稀泥"，以及它忽略了哪一路信号。

一句话带走

会权衡不等于会决策。当所有意见都被照顾到，方案往往也就不再解决任何人的问题——这是组织病，也是当前模型的能力边界。