论文
DarkForest：让多智能体LLM少交流、更准确
DarkForest: Less Talk, Higher Accuracy for Multi-Agent LLMs
摘要
多智能体LLM系统通过组合多个智能体的输出来提升推理能力，但重交互的方法可能引入误差传播和高昂的通信开销。当智能体交换原始回复或推理轨迹时，错误的中介推理可能被采纳并放大，导致自信却错误的共识；多轮通信还会增加token消耗、延迟和推理成本。本文提出一个名为DarkForest的受控通信协调框架。DarkForest首先保持各智能体相互独立，使每个智能体在看不到其他智能体输出的情况下产生答案。随后，它将原始回复解析为结构化候选记录，把语义等价的候选归为簇，并利用智能体可靠性、置信度、解析质量、支持模式可靠性和独立性修正，在这些簇上估计一个经校准的信念分布。协调者仅从该信念状态中接收策略允许的证据，实现受控通信。在六个推理基准上的实验表明，DarkForest取得了领先的总体质量，在基准指标上比最强基线最高提升30.7%，与重通信基线相比将token消耗最多降低6.5×。
