Offloop 推出多智能体协作工作空间，自定义调度模型 D1 据称成本仅前沿系统的五分之一

AI 创业团队 Offloop 上线了一款面向多智能体协作的工作空间产品。该产品以「频道」（Channel）为基本组织单元，允许多个 AI 智能体在同一空间内持续处理周期性任务。系统由 Offloop 自研的调度模型 D1 统一调度，D1 会在每个步骤决定由哪个智能体执行，从而替代开发者手动编排工作流。

核心机制：调度模型 D1

与传统多智能体框架依赖开发者预设路由规则不同，Offloop 把调度决策交给一个独立的模型 D1。据官方介绍，D1 在任务执行的每一步评估当前状态，并挑选最合适的智能体继续推进。这种设计的目标是减少人工编排成本，让多智能体系统更接近「开箱即用」的使用体验。

基准成绩与成本对比

Offloop 公布了三组关键数据，用于衡量 D1 调度下的整体表现：

• 在 GDPval 基准上取得 84.9% 的成绩。
• 在 JobBench 基准上取得 67.2% 的成绩。
• 与所对比的前沿多智能体系统相比，整体成本约为其 五分之一（即 1/5）。

需要注意的是，这两组基准成绩均由 Offloop 自行测试并发布，目前缺乏第三方独立复现报告，数字的口径与测试条件尚待进一步披露。

定位与适用场景

该产品的目标用户是需要让多个 AI 智能体协同完成日常任务的团队，例如内容生产、数据处理或运营自动化等流程。Offloop 表示，D1 调度模型可以在企业工作环境中部署，帮助团队把重复性任务交给不同专长的智能体完成。

信息来源与待核实事项

上述信息来自 TestingCatalog 在 X 平台发布的帖子，属第三方报道而非 Offloop 官方博客或论文。下列细节尚未在原文中给出，读者在评估时应保持审慎：

• D1 调度模型的具体规模、训练方法与基座模型来源未披露。
• GDPval 与 JobBench 的具体评测设置和对比对象清单不完整。
• 「约五分之一成本」对比的是哪些前沿多智能体系统未明示。

总体来看，Offloop 的尝试反映了多智能体系统从「开发者编排」向「模型自动调度」演进的方向，但作为一款尚未被广泛验证的新工具，其实际效果仍需更多独立测试与用户反馈。