玩维基百科摘要中的 log(N)-问题：信息不对称下每轮错误如何复合

我们在双智能体 $\log_2 N$-Questions 游戏（Potash 等人，2019）上评估了六种前沿语言模型，以衡量信息不对称情况下的自我沟通。有权访问 $N$ 候选维基百科主要段落（$N = 4$ 到 $1024$）的提问者必须使用来自同一提供商且仅看到目标的代理回答的 $\log_2 N$ 二进制问题来识别秘密目标。在 408 场比赛中，胜率随着地平线长度 $p^{\log_2 N}$ ($p \approx 0.93$) 的几何幂而明显衰减。每轮失败率在整个范围内持平，这表明错误会复合，因为更多的轮次必须成功，而不是因为单个轮次变得更加困难。三位独立法官的裁决表明，损失分为单智能体回答错误和辨别失败，这在双智能体结构下变得不可检测和不可恢复，而不是渠道崩溃。 Claude Opus 5 由于系统性假阴性答案（82% 的答案错误）而落后，而五个领先模型（GLM-5.3、GPT-5.6 Sol、Grok 4.6、Gemini 3.8 Flash 和 Kimi K3）则紧密聚集在一起。最大化信息增益需要结构分区（例如，文档标题的拆分），并且推理词元支出和 API 成本都与成功无关（$r = -0.05$），这凸显了通信可靠性是推理计算的一个明显瓶颈。