在真实多机器人系统设计中，提升单个机器人能力是常见做法，但成本高昂。arXiv 2026年5月发布的一篇论文（arXiv:2605.30383v1）探讨了一个系统层面的设计问题：在硬件预算匹配的条件下，重新组织机器人之间的通信是否比增加机载模型规模带来更大收益？该研究由Junping Wang等8位作者完成，属于机器人学（cs.RO）与人工智能（cs.AI）交叉方向。
研究团队采用了一个具有代表性的运输与建图任务，使用10台物理机器人进行实验，每种条件运行5次，总计60次运行。实验对比了两种干预方式：一是将机器人的通信拓扑从完全连接改为模块化分层交互；二是将神经网络隐藏层尺寸加倍。结果显示，在归一化性能（0—100分）上，拓扑改变带来了47分的提升，而模型规模加倍最多只带来9分的提升。这一差距表明，在测试的系统与任务设置中，交互结构对协调性能的影响远大于单独扩大模型容量。
为了进一步验证，研究者使用了嵌套混合效应模型比较，发现通信拓扑对模型拟合的改善幅度明显大于模型规模。此外，该模式在独立的SMAC（星际争霸多智能体挑战）复现实验中得到确认，说明结论在不同环境中具有一定的一致性。异构基准的重分析也提供了次要的支持性一致性检查，但作者明确指出这些重分析不是主要证据。
值得注意的局限性包括：性能在超过1024个隐藏单元后出现饱和，这一观察来自基于模拟校准的外推，而非直接在硬件上测得；因此，硬件上的实际饱和点可能不同。作者也强调，这些结果说明交互结构在被测试的系统与任务范围内可能起主导作用，但更广泛的定量泛化仍有待建立。换言之，该研究为“结构优于规模”提供了真实机器人系统的实证支持，但尚不能推广到所有多机器人场景。
总体而言，这项工作的核心贡献在于用物理机器人实验直接比较通信拓扑与模型规模两种设计杠杆，并提供了统计模型比较和独立复现证据。对于多机器人系统设计者而言，在硬件预算有限时，优先优化机器人间的交互结构可能是比单纯增大模型更高效的选择，但需结合具体任务和系统约束进行验证。