Co-Sight：通过冲突感知元验证与结构事实可靠推理增强 LLM 代理
人工智能
2025-10-27 v1
摘要
LLM 代理的长程推理往往因中间推理的验证不足而失败，而非生成能力不足。Co-Sight 通过两种互补机制解决这一挑战：冲突感知元验证（CAMV）和基于结构事实的可靠推理（TRSF）。CAMV 将验证重新表述为冲突识别和针对性否定，仅在专家代理之间存在不一致的热点上分配计算资源，而非对完整推理链进行验证。这将验证成本限制在不一致数量上，提高了效率和可靠性。TRSF 通过结构化事实模块持续组织、验证和同步跨代理的证据。通过维护已验证、可追溯且可审计的知识，确保所有推理都基于一致、来源可验证的信息，并在推理过程中支持透明的验证。TRSF 和 CAMV 共同构成一个封闭的验证循环，TRSF 提供结构化事实，CAMV 对其进行选择性否定或强化，实现透明且可信的推理。实验结果表明，Co-Sight 在 GAIA（84.4%）和 Humanity's Last Exam（35.5%）上实现了最先进的准确率，并在 Chinese-SimpleQA（93.8%）上取得优异成绩。消融研究确认，结构化事实 grounding 与冲突感知验证之间的协同作用驱动了这些改进。Co-Sight 因此为 LLM 代理的可靠长程推理提供了可扩展的范式。代码已公开 https://github.com/ZTE-AICloud/Co-Sight/tree/cosight2.0_benchmarks。
引用
@article{arxiv.2510.21557,
title = {Co-Sight: Enhancing LLM-Based Agents via Conflict-Aware Meta-Verification and Trustworthy Reasoning with Structured Facts},
author = {Hongwei Zhang and Ji Lu and Shiqing Jiang and Chenxiang Zhu and Li Xie and Chen Zhong and Haoran Chen and Yurui Zhu and Yongsheng Du and Yanqin Gao and Lingjun Huang and Baoli Wang and Fang Tan and Peng Zou},
journal= {arXiv preprint arXiv:2510.21557},
year = {2025}
}