多 agent 系统架构目前的大多是以思考链为主体的，但是我们从未验证过这类以思考链为主题是否真的对于群体协作有益。 来自英国利物浦大学与南安普顿大学的联合… · @snwiki238337 · TwKit

@snwiki238337

多 agent 系统架构目前的大多是以思考链为主体的，但是我们从未验证过这类以思考链为主题是否真的对于群体协作有益。 来自英国利物浦大学与南安普顿大学的联合研究团队的这篇论文 Collective Emergent Alignment。 他们创建了一套将群体交互增益与个体单体反思严格剥离的量化框架，还指出了全量思维链广播的致命弊端。 他们在论文中提出 Reference–Entailment–Matrix 框架，利用自然语言推理将每个 Agent 在多轮交互中的推理步骤与标准参考推理链做逐行语义映射，量化出每一步的语义覆盖度。 为了彻底排除单体多想几步也能做对的干扰，团队让持有相同分布式证据的 Agent 分别进行多 Agent 交互。 只有两者的净增益差值大于临界时，才被定义为交互激发的群体涌现对齐。 他们将推理事实细分为本地已知事实与同伴持有事实，专门量化 Agent 在多轮讨论中究竟吸收了多少原本缺失的同伴 agent 线索，以及是否在冗长对话中弄丢了自己原本的本地知识。 针对多 Agent 盲目广播完整思维链导致的上下文膨胀与噪音干扰，设计了一个通信机制，用原子事实替代。 该研究在需要跨 Agent 拼接隐蔽线索的任务上显著为正，且这种推理对齐增益与同伴信息的精准吸收率呈现极强的正相关。 但在单步或证据局部的任务上，多 Agent 交互反而容易带来冗余和负收益。 而且他们发现了不同能力梯队的大模型组合在一起时，信息并非平权流动。 强弱 Agent 在多轮讨论中的证据采纳与抗噪能力截然不同，同质集群与异质集群的对齐轨迹差异巨大。 把 Agent 内部的完整思考过程直接抛给队友，往往会引入大量主观幻觉，导致接收方 Agent 既没吸收到缺失事实，反而冲淡了自己原本掌握的信息。 arxiv：https://arxiv.org/abs/2610.34836

曝光 77 · 评论 0 · 点赞 3 · 书签 1