对齐代理，有偏差群：测量多代理系统中的偏差放大

虽然多代理系统 (MAS) 越来越多地被部署用于复杂的工作流程，但它们的新兴特性（尤其是偏差的积累）仍然知之甚少。由于现实世界的 MAS 过于复杂而无法完全分析，因此评估其道德稳健性需要首先隔离其基础机制。在这项工作中，我们进行了一项基线实证研究，调查基本 MAS 拓扑和反馈循环如何影响偏见。与多智能体协作自然地稀释偏差的假设相反，我们假设结构化工作流程充当回音室，将较小的随机偏差放大为系统极化。为了评估这一点，我们引入了 Discrim-Eval-Open，这是一种开放式基准，通过跨人口群体进行强制比较判断来绕过个体模型中立性。分析各种结构中的偏差级联表明，架构的复杂性经常会加剧而不是减轻偏差。即使孤立的代理中立地运行，我们也观察到系统性放大，并识别出一个“触发漏洞”，其中注入纯粹的客观背景会大大加速极化。通过剥离高级群体复杂性来研究基础动力学，我们建立了一个重要的基线：结构复杂性并不能保证道德稳健性。我们的代码可在 https://github.com/weizhihao1/MAS-Bias 获取。