研究:多智能体记忆按稀有或相关性筛选反而降低 LLM 群体决策准确率
Anouar Imel · hf · 2026-10-28
四所中国高校的论文研究「把 LLM 多智能体讨论压缩成短记忆再交给最终决策者」时该保留什么。两种自然启发式——保留最罕见的说法或保留与决策标准最相关的说法——看似合理，实则都会因隐藏档案（hidden-profile）任务而失效。
作者提出 CrossProfile 诊断基准：60 个模板、自动验证答案键，将支持性、诱饵与无关事实交叉组合（共 480 个任务）。在 Qwen2.5-7B、Llama-3.1-8B 及两个 DeepSeek 模型上：
- 按相关性筛选会可预测地漏掉诱饵——即使完美的相关性过滤器，在经典隐藏档案场景中也比最罕见优先策略损失 23-31 个百分点；
- 最罕见优先不比随机选择好；
- 由于社会证明偏差与诱饵混入，连完整转录都会降低准确率，不如不做笔记。
结论：关键在于保留证据的平衡，而非摘要本身是否准确——留下有利事实、丢掉不利事实，可以不引入任何错误陈述却改变决策。
「研究」频道最新
- 物理学家旧论文重现：涨散定理可直接推出大学习率 SGD 噪声理论 — burny_tech · 2026-10-28
- EMNLP 2026 开设「智能体失败模式」教程，四阶段拆解 agent 何时失效 — wzenus · 2026-10-28
- 逻辑学家 Jeremy Avigad：AI 之争的中心必须是我们自己 — Machine Learning Street Talk · 2026-10-28
- 美团 LongCat 提出因子化向量量化 FVQ,离散视觉 token 追平连续表征 — meituan-longcat · 2026-10-28
- 实操对比:单神经元 steering 效果远逊于对比对控制向量 — burny_tech · 2026-10-28
- 有效学习率解释一切:峰值加衰减调度是偏差方差权衡最优解 — burny_tech · 2026-10-28