迈向 CausalGPT：一种通过提升大语言模型因果一致性实现可信知识推理的多智能体方法

尽管基础模型取得了进展，但基于知识的推理由于其知识回忆与推断能力有限，仍是一项持久挑战。现有方法主要侧重于鼓励这些模型进行规划与解决问题，或独立地大量采样推理链。然而，这些方法常忽视概念错误与推理谬误，不可避免地导致一系列臭名昭著的问题，如误导性结论、认知偏差和决策质量下降。尽管显式建模因果性被认为有望解决这些问题，但当代研究工作迄今未能实现基于因果的基础模型。受多样化专业智能体协作处理复杂任务启发，我们提出了一种名为因果一致性思维链（CaCo-CoT）的框架，利用多智能体协作来增强基础模型的可信度与因果性，其中包含一组推理器与评估器。这些智能体在“推理-共识”范式内协作以提升可信度。推理器负责通过模仿人类因果推理，为知识密集型问题生成推理链。同时，评估器从非因果与反事实视角审视推理器推理链的因果一致性。我们的框架在基于文本和多模态知识推理任务（如科学问答和常识推理）上通过广泛而全面的评估，展现出优于最先进方法的显著优越性。