基于交互式 LLM 的协作问答：网络结构、节点能力与分布式数据的影响
人工智能
2025-11-19 v1 多智能体系统
社会与信息网络
系统与控制
系统与控制
摘要
本文构建模型和分析一组相互作用的 LLM 在协作问答 (CQA) 中的表现，以估计给定分布式文档集合中的 ground truth。这种问题值得关注，因为 LLM 在缺乏直接证据回答问题时容易产生幻觉，而这些效应在相互作用的 LLM 网络中更为突出。幻觉会传播，导致先前准确的 LLM 也会产生幻觉。我们通过将网络科学中的新颖意义场动力学 (MFD) � Ideas 与经济学中的随机效用模型相结合来构建一个有用的生成模型。我们用一个表示 LLM 是否准确的隐状态来建模 LLM，并扩展一个考虑 MFD 的可解析分析模型，以建模 LLM 网络中信息的扩散。为指定支配 MFD 动态概率，我们提出了随机效用模型。对于每个 LLM 具有两种可能隐状态的网络，我们假设固定点的存在性和唯一性的充分条件，并分析固定点的行为及其对单个 LLM 给定的激励（例如测试时间计算）的依赖。我们在多个半合成数据集上实验性地研究和分析了 100 个开源 LLM 网络的行为，关注数据异构性、节点能力、网络结构以及对提纲的敏感性。
引用
@article{arxiv.2511.14098,
title = {Collaborative QA using Interacting LLMs. Impact of Network Structure, Node Capability and Distributed Data},
author = {Adit Jain and Vikram Krishnamurthy and Yiming Zhang},
journal= {arXiv preprint arXiv:2511.14098},
year = {2025}
}