When Does Combining Language Models Help? A Co-Failure Ceiling on Routing, Voting, and Mixture-of-Agents Across 67 Frontier Models

论文给多模型组合方法加了一个很硬的上限：如果系统输出必须来自某个成员模型，准确率最多是 1 减去所有模型共同答错的 beta。作者测了 21 家提供商的 67 个模型，开放数学任务观察 beta=0.052，而 Gaussian copula 估计只有 0.023，执行判分代码任务 beta=0.079。它的贡献是提醒路由、投票和 MoA 的收益来自“错在不同题”，不是模型越多越稳。