Компьютерные науки > Искусственный интеллект [представлен 15 октября 2026 года] Название: Контроль за биазами и впрыскивание для мультиагентского агрегации Вид PDF HTML (экспериментальный) Резюме: Рассуждения с участием нескольких агентов при использовании больших языковых моделей (LLMS) поднимают центральный вопрос для коллективного принятия решений: когда агенты не согласны, чье решение следует доверять? Урегулирование таких разногласий сопряжено с трудностями, поскольку решения агентов подвержены несемантическим предрассудкам, таким как давление большинства и предпочтения в порядке реагирования, что может затушевывать качество лежащей в основе аргументации. Наш анализ показывает, как можно смягчить и использовать предвзятость: контроль за предубеждением улучшает первоначальный отбор ответов, в то время как впрыск с прицелом вызывает нестабильность принятия решений, которая служит сигналом надежности. На основе этих выводов мы внедряем систему агрегирования в испытательный период времени, которая не требует ни данных о проверке достоверности, ни предварительных знаний относительно прочности модели. В рамках системы осуществляется контроль за предубеждением путем представления одного стиля, стандартизованного аргумента в каждом отдельном ответе и приведения в заблуждение посредством включения первоначально выбранных ответов каждого агента в меньшинство. В целом наша система обеспечивает более высокую среднюю точность и эффективность символической оценки, чем конкурирующие…
Борьба с " цепями &qt; и впрыскивание для Агрегирования различных агентов
arXiv:2610.21290v1 Annuate Type: новый резюме: Многоагентские рассуждения с крупными языковыми моделями (LMS) поднимают центральный вопрос для коллективного принятия решений: когда представители не согласны, чьему решению следует доверять? Урегулирование таких разногласий сопряжено с трудностями, поскольку решения агентов подвержены несемантическим предрассудкам, таким как давление большинства и предпочтения в порядке реагирования, что может затушевывать качество лежащей в основе аргументации. Наш анализ показывает, как можно смягчить и использовать предвзятость: контроль за предубеждением улучшает первоначальный отбор ответов, в то время как впрыск с прицелом вызывает нестабильность принятия решений, которая служит сигналом надежности. На основе этих выводов мы внедряем систему агрегирования в испытательный период времени, которая не требует ни данных о проверке достоверности, ни предварительных знаний относительно прочности модели. Система обеспечивает контроль за предубеждением, представляя один стиль-нормализованный логический след на отдельный ответ, а также впрыск дезагрегирования путем размещения первоначально выбранного ответа каждого агрегирующего агента