基于信念校准的多智能体共识寻求：用于复杂NLP任务
人工智能
2025-10-09 v1
摘要
多智能体系统（MAS）通过多个智能体之间的协作来增强解决复杂自然语言处理（NLP）任务的能力，其中共识寻求作为基本机制。然而，现有的共识寻求方法通常依赖投票机制来判断共识，忽视了系统内部信念的矛盾，这些矛盾会 destabilize共识。此外，这些方法常涉及智能体与每其他智能体进行无差别的合作更新结果。这种均匀互动未能识别每个智能体的最佳合作伙伴，阻碍了稳定共识的形成。为此，我们提供了一个选择最佳合作伙伴以最大化共识稳定性的理论框架。基于该定理，我们提出了信念校准共识寻求（BCCS）框架，通过选择最佳合作伙伴并校准系统内部信念来促进稳定共识。在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超过了最佳现有结果的2.23%和3.95%。我们的代码和数据已公开于https://github.com/dengwentao99/BCCS。
引用
@article{arxiv.2510.06307,
title = {Belief-Calibrated Multi-Agent Consensus Seeking for Complex NLP Tasks},
author = {Wentao Deng and Jiahuan Pei and Zhiwei Xu and Zhaochun Ren and Zhumin Chen and Pengjie Ren},
journal= {arXiv preprint arXiv:2510.06307},
year = {2025}
}
备注
This paper has been accepted by NeurIPS 2025