谷歌DeepMind与谷歌研究团队提出一篇新论文，分析多智能体市场中用一级价格拍卖分配用户提示的效率问题。理论与基于EmbedLLM路由数据集的仿真显示，即便存在出价压低，市场竞争与提示难度结构仍能将福利损失控制在较低水平，典型均衡下效率可达最优的99.2%。

论文聚焦一级价格拍卖的“无政府价格”——策略性压价可能导致提示被分配给价值并非最高的智能体，传统最坏情况下效率下限仅约63%。作者指出智能体市场具备两大天然结构优势：其一是“竞争地板”，即强模型常被蒸馏成性能接近的廉价版本，多名竞标者价值接近最优，竞争会把福利损失压向零；其二是条件近独立性，提示难度主导价值波动后，残差近似独立，效率可逼近约86.5%的更优理论界。在包含110个模型的完整EmbedLLM市场上，典型与对抗均衡分别达到99.2%与98.8%的oracle福利；平台自有模型充当储备价、过滤弱竞标者，也能进一步收紧尾部风险。这些结果直接回应了“非 truthful 机制是否适合去中心化推理路由”的核心疑虑。

简单透明的一级价格拍卖，在智能体时代或许比VCG类复杂机制更实用——不是因为理论最坏情况消失了，而是真实市场结构让最坏情况变得遥远。