统计侦察发现辩论安全但不是辩论有用的案例：开放权重 LLM 推理协议的匹配上限研究

语言模型什么时候应该直接回答、采样和投票，或者进行多智能体辩论？最近的研究表明，投票通常可以解释辩论带来的大部分收益，而选择性辩论系统只能对不确定的例子进行审议。我们问：在生成词元的匹配上限（每个示例 960）下，每个示例存在多少路由余量，以及可以从廉价的预审议信号中恢复多少？我们使用 Llama 3.1 8B Instruct 和 Ministral 3 8B Instruct 评估了 MuSiQue 和 GSM8K 上的贪婪解码、三样本投票和两智能体批判-修改辩论。在 MuSiQue 上，每个示例选择正确协议的预言机比最佳固定协议获得 +14.0 和 +13.7 pp。最佳固定协议与模型和数据集相关：每个（模型、数据集）单元格都有不同的获胜者。这种余量很难从廉价的事前信号中恢复。投票熵阈值是唯一在两个模型上定向击败最佳固定协议的控制器（+1.3 和 +1.7 pp），尽管各个配对引导 CI 包括零。联合分析（荟萃分析 +1.6 pp，p=0.125；贝叶斯 P（均>0）=0.59）方向一致，但不显着。学习控制器（LR、GBT）的性能未超过阈值。关键发现是结构性的：投票熵预测辩论安全的地方，而不是需要辩论的地方。高熵大大减少了辩论的适得其反，但 66% 对辩论有帮助的例子 (31/47) 发生在投票一致但错误的情况下。对 Llama 的单提示自我批评调查在 127/127 一致的情况下翻转了答案，产生了零相互信息，并带有有助于辩论的标签；我们不能排除提示合规性工件，但任何一种解释都会使探测器失去作为路由器的资格。恢复剩余的净空需要行为探针来避免 8B 规模的格式合规性混淆。