一种受哈希图启发的可靠多模型推理共识机制

大型语言模型（LLM）的不一致输出和幻觉是构建可靠人工智能系统的主要障碍。当不同的专有推理模型（RM），例如来自OpenAI、Google、Anthropic、DeepSeek和xAI的模型，被给予相同的复杂请求时，由于训练和推理的差异，它们常常产生分歧的结果。本文提出一种新颖的共识机制，受分布式账本技术启发，用于验证和收敛这些输出，将每个RM视为一个黑箱对等节点。基于哈希图共识算法，我们的方法采用关于流言的流言通信和虚拟投票，在RM集成中达成一致。我们为一个原型系统提出了架构设计，其中RM迭代地交换和更新它们的答案，利用每一轮的信息来提高后续轮次的准确性和置信度。这种方法超越了简单的多数投票，融入了每个模型的知识和交叉验证内容。我们论证了这种受哈希图启发的共识机制在AI集成中的可行性，并概述了其在减少非事实性输出方面相对于传统集成技术的优势。本文讨论了实现、收敛性和准确性评估标准以及潜在挑战的初步考虑。所提出的机制为多智能体AI系统在复杂任务中进行自我验证并提供高保真响应展示了一个有前景的方向。