论文提出行为探针量化 LLM 群体信息流，被 NeurIPS 2026 接收
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，非原文转载从效用驱动转向信息流视角
现有 LLM 群体（swarm）优化方法大多以任务最终效用为导向，单个交互内部如何处理、整合和依赖信息，基本处于隐含状态。这篇论文把群体交互放到信息流的框架下考察，提出用行为探针来量化信息流模式，使节点层面的信息依赖变得可测量。作者没有另造指标，而是复用为幻觉分析设计的两个分数：外部上下文得分（ECS）衡量节点对外部上下文的依赖程度，参数知识得分（PKS）衡量节点对自身参数知识的依赖程度。
探针在群体中的稳定表现
在受控设置与更接近真实的群体设置中，作者观察到一致规律：输入相关性越高，ECS 越高，并且该指标能把有用的多源贡献与其他贡献区分开；随着信息性上下文不断积累，PKS 相应下降。这为把两个分数当作信息流信号使用提供了经验依据，也说明节点行为会随外部信息供给的变化而呈现可辨识的偏移。
两项受控应用与效果
基于上述解释，论文演示了探针如何补充以效用为目标的群体结构优化。其一是探针引导的节点剪枝，用于削减冗余通信和 token 消耗；其二是探针引导的推理路径搜索，与仅看效用的基线相比收敛更快。两项应用都在受控条件下完成，论文将探针定位为结构优化的辅助信号，而非替代效用目标。
定位与发表情况
作者总结认为，行为探针能让 LLM 群体的内部信息流变得可观测，并可作为结构优化的有效辅助信号。该文被 NeurIPS 2026 多智能体系统（cs.MA）方向接收，同时归入人工智能（cs.AI）分类，预印本编号为 arXiv:2610.25966，提交时间为 2026 年 10 月 19 日。
为什么值得看
把群体内部信息流变成可观测信号，为多智能体结构优化提供效用之外的辅助指标。
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。