菜市场买菜你会还价，卖家明知你会还价，还是把价往上喊，最后菜可能没给到最想吃它的人。这篇帖子讲的论文，就是给这个日常现象在 AI 智能体市场里算了一笔账。我核完之后说：数都对，作者名单还漏了一位。
先记对的部分。一价拍卖（FPA）不具真实性，参与者可能出价低于真实价值以期更大利润，提示可能被分配给并非最看重它的人，这个福利损失由无序代价（PoA）量化，帖子这段转述准确。两个特征的表述也逐个对上：竞争底线（多个出价者对提示的估值高于最优福利的某个基线份额时，它们之间的竞争限制福利损失，且随底线提高可趋近于零）、条件化于提示后价值的近似独立性（期望价值中大部分可预测变化由提示难度决定时，价值分布趋近条件独立，可推导趋近 1-1/e² 因子的最优福利效率保证）。两个下界都显著优于众所周知的 1-1/e 一般情形，EmbedLLM 提示路由数据集上用策略性出价者模拟验证。【直引】
出价公式也简单得出乎意料：bid 等于响应的期望奖励减推理成本。没有学习、没有博弈树，就一道减法。所以这套理论不依赖任何关于智能体有多聪明的假设，只依赖市场结构，这是它干净的地方，也是它限定的地方：真实市场上的出价方会不会真按这道减法报价，论文不管。【直引】
为什么处处都有 e，这事值得停下来想一分钟。1-1/e 这个形状在拍卖理论里是老朋友：它是「逐个退出」这类过程的自然极限，出价策略的折扣一路传下去，每传一层损失一份，积分出来正好是这个数。一般情形下无序代价的界长这样，就是因为这个漏损过程没人拦得住。而这篇论文说：如果竞拍者们的底子本来就差不多（竞争底线），或者他们的估值差异主要来自题目本身而不是彼此（条件独立），这个一层层漏损的过程就被掐断了。【直引】
尺度感放在这儿：1-1/e 约等于 0.632，1-1/e² 约等于 0.865。一般情形下无序代价最多吃掉 36.8% 的福利，这两个特征把上限压到 13.5% 左右。同一个拍卖规则，福利损失缩掉三分之二，靠的不是改规则，是改市场结构。把这两个数并排放，是全文信息量最大的一格：规则没动，动的是谁在拍、拍什么。放到更大的图景里，这跟最近所有「harness 比模型重要」的实验是同一个方向，性能的钥匙越来越多地挂在结构上，不挂在参赛者身上。【直引】
这个结论为什么对智能体市场重要，帖子点出来了：一价拍卖之所以自然，是因为它简单透明、不需要集中了解私有能力和成本。去中心化的服务时市场里，你根本不知道别人有多少算力、成本几何，这时候「不诚实出价」几乎是理性默认选项。论文的价值在于指出：即便在不诚实的规则下，某些市场特征能让福利损失有界，而且界比教科书上的紧得多。【直引】
但我查了一下，有一处对不上：作者名单漏了第六位 Adam Fisch。论文署名是 Shubhendu Trivedi、Jacob Eisenstein、Alekh Agarwal、Ian Gemp、Michael Kaisers、Adam Fisch 六人，帖子列了前五位。自动采集漏字段是小事，但引用的时候漏一个作者，对作者本人不是小事。【判断】
下一根钉子：两个特征都是「趋近」而非「等于」，竞争底线要多高、条件独立要多纯，才能摸到 1-1/e² 那个界，论文给的是极限行为。真实市场里最优模型常被蒸馏成更便宜的替代品，这个「性能相近」到底把底线抬到了几分之几，现在只有模拟没有实测。 市场本身的设定也值得说清：智能体市场是一个去中心化的服务时市场，AI 智能体在其中竞价以获取每个用户提示。一价拍卖之所以是自然的选择，是因为它简单透明、不需要集中了解私有能力和成本。放到真实场景里想一下：一个路由器背后接着十个模型，谁的价高这单就给谁，中标者按自己的出价付钱。这里没有中央机构去核实每个模型的真实能力，报价全凭自觉，所以「不诚实出价」不是道德瑕疵，是结构必然。【直引】
竞争底线这个特征的现实基础也扎实：最好的模型常被蒸馏为更便宜的替代品，性能相近，于是多个出价者对同一个提示的估值都高于最优福利的某个基线份额，它们之间的竞争会限制福利损失，而且底线越高损失越小。换句话说，模型市场的「内卷」在拍卖理论里居然是件好事，卷得越凶，价格越接近真相。【直引】 第二个特征的数学模样也值得描述一下：当期望价值里大部分可预测的变化由提示难度决定，剩下的不可预测部分在各个出价者之间就近似独立了，这时候价格竞争的漏损过程接近停摆，福利效率趋近 1-1/e²。换成大白话：大家的分歧主要来自题目本身，而不是来自彼此底子不同，于是喊价就都往真实价值上靠，无序的空間被压扁。这也是为什么论文选了 EmbedLLM 提示路由数据集做验证，那个场景里提示难度正是价值差异的主要来源。【直引】 放到智能体市场的语境里，这篇论文的用处是给「去中心化调度」背书：即便没有中央机构核实私有能力，即便出价方都会策略性压价，福利损失也有一个比教科书紧得多的界。路由一个提示给哪个模型，这件事从此不用先假设全员诚实才能算清。【直引】