置信路由实际上在做什么：多代理审议中的审计路由、校准和承诺

常见的多智能体设计要求智能体报告置信度，并让得分最高的智能体接下来发言，隐式使用一个标量来路由对话并估计不确定性。我们通过分离三个跟踪级问题来审核这个置信路由广播协议：它是否选择了正确的候选者（路由），报告的置信度是否表现得像概率（校准），以及所选代理是否公开声明赢得回合的答案（承诺）。我们的主要研究涵盖 4,181 个 gpt-oss-120b 奥林匹克数学轨迹；我们在 2×2 参与者基准网格上重复审核，该网格添加了 gemma-4-31B-it 和生物学多项选择基准。在主单元格中，置信度可区分正确候选者和错误候选者 (AUROC 0.72)，但严重过度自信（平均置信度为 79%，准确度为 52%）。交叉拟合、分层等渗程序将保留候选者的预期校准误差从 0.278 减少到 0.008，但它无法恢复丢失的辨别力：两个 Gemma 单元中的原始 AUROC 仅是 0.537 和 0.440。路由同样依赖于设置。固定路由器在 gpt-oss/math 上最多相差 1.1 个百分点，而原始置信度 argmax 的性能比 Gemma 单元中的随机有效选择低 5.6 和 11.2 个百分点。承诺再次明显：在主单元中，民意调查和口头答案在 20.4% 的有效对中出现分歧，其中 62.4% 的修订是新生代，无条件正确性偏移为 -1.7 点；其他三个单元格的范围是 +0.9 到 +12.2 点。可转移的教训是程序性的：在将原始信心用于部署决策之前，必须单独衡量路由歧视、概率校准和公共承诺。