多智能体聚合中的偏差控制与注入

研究者提出一种用于大语言模型（LLM）多智能体推理的测试期聚合框架，通过偏差控制与偏差注入解决决策分歧，且无需验证数据或模型相对强度的先验知识。该框架通过为每个不同答案提供单一风格标准化的推理轨迹来控制偏差，并通过将聚合智能体最初选择的答案置于少数派来进行偏差注入。在 3 个数学推理基准和 4 种异构 LLM 组合的测试中，该方法取得了更高的平均准确率和更优的 token 效率。