复杂 NLP 任务的信念校准多智能体共识寻求

arXiv:2510.06307v1 公告类型：新 摘要：多智能体系统（MAS）通过多个智能体之间的协作来增强其解决复杂自然语言处理（NLP）任务的能力，其中寻求共识是一种基本机制。然而，现有的寻求共识的方法通常依靠投票机制来判断共识，忽视了系统内部信念中破坏共识稳定的矛盾。此外，这些方法通常涉及代理通过与其他代理不加区别地协作来更新其结果。这种统一的交互无法识别每个代理的最佳合作者，从而阻碍了稳定共识的出现。为了应对这些挑战，我们提供了一个理论框架来选择最佳合作者，最大限度地提高共识稳定性。基于这些定理，我们提出了信念校准共识寻求（BCCS）框架，通过选择最佳合作者并通过系统内部信念校准共识判断来促进稳定的共识。 MATH 和 MMLU 基准数据集上的实验结果表明，所提出的 BCCS 框架在挑战性任务上的准确率分别比现有最佳结果高 2.23% 和 3.95%。我们的代码和数据可在 https://github.com/dengwentao99/BCCS 获取。