研究揭示多智能体系统模型选择策略
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载八种挑选策略被系统比较
这项研究把多智能体系统的候选模型挑选方式拆成八种策略，逐一放到科学类基准任务上测试。策略的划分依据包括模型规模、准确率以及答案多样性等维度。测试覆盖两类系统结构：一类在生成之前做路由，先决定由哪个模型作答；另一类在生成之后做聚合，包括多数投票和让语言模型充当评判者。研究者的做法是把挑选策略与系统结构交叉组合，观察同一批候选模型在不同组合下的表现差异，而不是只比较单个模型的分数。这样做的目的是把“选哪些模型进池子”从工程直觉变成可测量的设计变量。
池子变大反而拖低表现
实验结果指向一个与直觉相反的现象：候选池扩大之后，系统表现常常下滑，甚至低于池中表现最好的那个基础模型单独作答的水平。研究者把理论上的最优上限与实际跑出来的成绩放在一起对照，发现两者之间存在明显落差，也就是说，即便池子里确实存在能答对的模型，现有挑选与聚合机制也未必能把这份潜力兑现。这一落差说明，多智能体系统的收益并不随模型数量线性增长，盲目扩充候选集合会带来系统层面的不稳定。
同门模型组合更稳
在八种策略中，相对表现最好的一种是在同一个模型家族内部挑选候选。与单独使用一个模型相比，这种做法的提升幅度最为可观。相比之下，把来源各异的模型随意混进同一个异构多智能体系统，容易引入不稳定因素。研究者据此把模型挑选列为多智能体系统设计中的关键决策，而不是可以事后随手调整的细节。论文共 8 页正文、全文 23 页，已被 REALM 2026 接收，作为 EMNLP 2026 多智能体系统方向的一部分，并挂在 arXiv 的 cs.MA 与 cs.AI 分类下。
对搭建者的实际含义
对正在搭建多智能体流程的读者来说，这项工作的直接提示是：不要默认“多加几个模型总没坏处”。在生成前路由和生成后聚合这两种架构下，候选集合的构成方式都会影响最终结果，而扩大规模本身不构成收益保证。较为稳妥的起点是在同一模型家族内组织候选，再逐步验证扩充是否真的带来提升。研究同时给出了一个衡量口径：把实际成绩与理论最优上限对比，可以判断问题出在候选池本身，还是出在挑选与聚合环节。论文的评估集中在具有挑战性的科学基准上，这一适用范围在迁移到其他任务时需要重新验证。
为什么值得看
揭示了多智能体系统设计中模型选择的误区，指出了盲目增加模型数量的风险。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。