集体涌现对齐：测量与放大多智能体 LLM 中交互诱导的推理对齐
Collective Emergent Alignment: Measuring and Amplifying Interaction-Induced Reasoning Alignment in Multi-Agent LLMs
AI 导读
研究者提出 REMAP（Reference-Entailment-Matrix for Agentic Process）框架，量化多智能体 LLM 系统中交互诱导的推理对齐，发现在多个模型家族和两个多跳推理基准上，交互带来的对齐增益普遍为正，在需要整合分布于不同智能体的证据的推理内容上尤为明显。该框架通过 Semantic Coverage 和交互特有的对齐增益来度量这种效应，增益与独立测得的同伴信息恢复一致相关，进一步分析发现随组合变化的异质性效应和跨智能体能力层级的不对称信息传递。基于这些发现，作者提出事实级多智能体通信框架，用紧凑、感知缺口、选择性路由的信息替代完整推理轨迹交换，实验显示紧凑事实交换在提升推理对齐和任务表现的同时降低通信开销，而更选择性的通信则在获取分布式信息、保留本地内容与通信效率之间产生权衡。