推理陷阱：封闭系统多步 LLM 推理的信息论界限

当同一语言模型的副本被提示进行辩论时，它们会产生一种观点的不同措辞，而不是不同的观点。多智能体辩论 (MAD) 以及更广泛的封闭系统推理（智能体迭代地转换彼此的输出）往往会保持答案的准确性，同时降低这些答案背后的推理能力。我们将多智能体案例命名为“辩论陷阱”，将更广泛的现象命名为“推理陷阱”，提供了基于证据的推理失败的程序化理论。该框架由三个部分组成：（i）SFS（支持的 忠实性 分数），一个声明级度量，根据提供的证据验证分解的原子声明（分解器不变排名：Spearman rho=1.0）； (ii) EGSR（以证据为基础的苏格拉底推理），用以证据为基础的探究取代对抗性论证； (iii) 定理 1（DPI 边界）：在标准 MAD 下，链 E -> O^0 -> O^1 -> ... 是马尔可夫，并且数据处理不等式意味着 E[I(E;O^{t+1})] <= E[I(E;O^t)]。三个伴随结果——开放系统恢复（定理 2）、EGSR 累积（引理 2）和投票聚合下限（命题 1）——通过与 E 的信息理论关系划分多步 LLM 推理。在 SciFact（300 项声明）和 FEVER（1,000 项声明）的 16 个条件中，DebateCV (C13) 保留了 88% 的基线精度，而 SFS下降 43%；多数票 MAD (C15) 将 SFS 降低至基线的 1.7% (p < 10^{-6}, d = -0.96)； EGSR 恢复 98%。一项 R6 队列研究（韩语 n=10x30 FEVER；英语 n=3x200 SciFact）发现，评估者间 Fleiss kappa <= +0.018，且不同语言和领域的 Likert 评估者内部变化为 0.8-1.4 - 忠实性 指标校准所依据的人类一致性本身并不稳定。我们提供一个可证伪的猜想：任何保留定理 1 的马尔可夫结构的封闭系统推理协议都符合相同的 DPI 界限。