PEAR：置换等变的自适应路由多智能体辩论

摘要

多智能体辩论通过迭代式同伴互评提升大语言模型（LLM）的可靠性。然而，固定拓扑往往引入持久的位置偏差，放大不可靠智能体的影响，并导致对角色分配的高度敏感。我们提出置换等变自适应路由多智能体辩论（PEAR），这是一种推理时免训练协议，可在连续的辩论轮次间动态重配置通信角色与稀疏拓扑。通过基于智能体状态的演化策略性地切换智能体到角色的分配，PEAR防止任何智能体永久占据特权网络位置，或使影响力在整场辩论中分布得更均匀。我们从理论上将PEAR刻画为一个等变稀疏路由器：它在智能体重标签下保持准确率，同时降低路由复杂度并提升泛化。跨四个推理基准和六个多样LLM骨干的全面实证评估表明，PEAR相较最强辩论基线显著提升平均准确率。代码见 https://github.com/EVIEHub/PEAR。

PEAR：置换等变的自适应路由多智能体辩论 — 图 1：PEAR 概述。给定一个任务实例，多个代理会产生独立的初始响应。在每一轮辩论中，路由器都会选择能够最大化三个状态感知组件的综合得分的通信拓扑：目标多样性、影响力平衡和低置信度过滤。然后，来源批评其分配的目标，目标修改其答案，路由器根据采用模式更新每个代理的累积影响力。经过几轮投票后，以多数票得出最终答案。