具有基础模型的集体智慧

随着基础模型规模和多样性的增长，将多个模型协调成协作推理系统为实现更安全、更可靠的人工智能提供了一条道路。本章提出了一个多智能体框架，其中求解器模型生成独立的草稿，每个草稿都经过批评智能体的结构化批评和修订，并且聚合器智能体综合最终的共识解决方案。评分模块提供对所有代理的语义、数字和程序评估。通过对涵盖微积分、物理、化学、生物学、经济学、优化、统计学和数学的基准的消融研究，我们分离出了框架架构与模型多样性的贡献。我们比较四种配置：(1) 单独基线，(2) 使用一个共享模型的同质框架，(3) 使用同一模型的多个实例的冗余同质求解器，以及 (4) 具有不同专用模型的异构框架。结果表明，虽然框架结构和冗余采样产生了适度的收益，但模型异质性是推动性能大幅提高的关键因素。异构配置实现了卓越的逐步精度（单个模型为 0.64 vs. 0.54；比同质配置提高了 2.3 倍），同时减少了类别和难度级别之间的差异。只有通过模型多样性，逐步推理质量（中间步骤的正确性，而不仅仅是最终答案）才能显着提高，这表明异构代理提供了补充性错误检测和推理细化，这对于可解释性和可审计性至关重要。我们讨论架构原则、评估方法以及对全球应用人工智能的影响，展示异构多智能体协调如何支持跨科学和工业领域的透明、可审计、高可信度决策。