多智能体大语言模型如何达成共识？研究揭示隐藏的“信念锚点”

在多智能体大语言模型协作推理中，智能体通过多轮交流与答案修订来提升准确性的做法日益普遍，但其内在机制却鲜有系统建模。近日，一项发布于arXiv的研究首次将此类讨论建模为闭环动态系统，并提出每个智能体都携带一个隐藏的内部信念“锚点”——这个锚点会持续影响其观点，不受周围智能体影响。研究发现，仅通过讨论过程就能还原出这个锚点，并且它解释了一个经典共识规则无法解释的现象：智能体对正确答案的信心可以超越任何参与者的初始水平，突破由初始信念构成的“凸包”边界。研究还提出了一种简单的检验方法：通过检查还原出的锚点能否预测未参与讨论的运行结果，来判断模型是否真正受到此类锚点驱动。在对三个开源模型系列的测试中发现，锚点的影响呈现连续谱而非全有或全无的状态。虽然所有锚点的影响力强度相近，但其位置分布存在差异——只有当锚点远离初始观点时，讨论才会突破边界，此时需要完整的闭环模型来解释。