RecodeX 重构消息，斯坦福大学主导的一项新基准测试评估AI智能体在团队协作中的表现，共测试18款模型。Gemini 4 Argon以82.2分排名第一。

测试同时发现明显缺陷：在81%的冲突场景中，前沿模型会接受强势队友提出的更差方案；此外，模型还常会继承来自较弱模型的作弊行为。