مناظره‌ی مدل‌های هوش مصنوعی: چرا چند LLM با هم لزوماً باهوش‌تر نیستند

آنچه شواهد می‌گویند

در سه سال گذشته، ده‌ها مقاله‌ی پژوهشی این پرسش را آزمودند که آیا چند مدل زبانی که با هم بحث می‌کنند به پاسخ بهتری می‌رسند یا نه. پاسخ کوتاه «بله» نیست، «نه» هم نیست — پاسخ این است که سودِ مشاهده‌شده از جای دیگری می‌آید و ما سه سال آن را اشتباه نسبت داده‌ایم.

• موج اول (۲۰۲۳). سه مدل با دو راند مناظره، دقت حساب را از ۶۷٪ به ۸۱٫۸٪ و MMLU را از ۶۳٫۹٪ به ۷۱٫۱٪ رساندند^۵. جامعه‌ی فنی نتیجه گرفت «چند مدل بهتر از یکی است».
• تردید (۲۰۲۴). یک مقایسه‌ی سیستماتیک نشان داد مناظره به‌طور قابل‌اتکا از روش‌های ساده‌تری مثل self-consistency بهتر نیست — فقط بسیار حساس‌تر به تنظیمات است^۸.
• ضربه‌ی اصلی (۲۰۲۵). در چارچوب نظری مقاله‌ی «Debate or Vote»، مسیر باور ایجنت‌ها به‌صورت مارتینگل مدل‌سازی شد؛ نتیجه این بود که تحت فرض‌های همان مدل، بحث به‌تنهایی امید ریاضیِ درستی را بالا نمی‌برد و بخش عمده‌ی سود از رأی‌گیری اکثریت می‌آید^۱۱.
• ریشه‌ی مسئله. رأی‌گیری وقتی کار می‌کند که آرا مستقل باشند — شرط اصلی قضیه‌ی کندورسه^۱. مناظره با نشان دادن پاسخ‌ها به یکدیگر، دقیقاً همین استقلال را از بین می‌برد.
• چیزی که واقعاً کار می‌کند. تنوع مدل‌ها، نه ساختار مناظره. ترتیب صحبت و نمایش میزان اطمینان تقریباً بی‌اثرند^۱۳.
• جایی که مناظره بی‌رقیب است. داوری و نظارت. دقت داور غیرمتخصص انسانی با مناظره از ۶۰٪ به ۸۸٪ رسید^۱۰.

تباری که به ۱۷۸۵ می‌رسد

دانستن این تبار صرفاً آرایه‌ی تاریخی نیست. هر حلقه‌ی این زنجیره یک شرط با خود آورده که در پیاده‌سازی‌های امروزی نادیده گرفته می‌شود — و بیشتر شکست‌های عملی مناظره، دقیقاً نقض همان شرط‌هاست.

مناظره‌ی چندایجنتی دقیقاً چیست؟

تفاوت مناظره با دو روش شبیه به آن، جایی است که بیشتر سوءتفاهم‌ها از آن شروع می‌شود:

ستون سوم را به‌خاطر بسپارید. مناظره از نظر ساختاری «self-consistency به‌علاوه‌ی دیدن پاسخ دیگران» است، و همان «دیدن» است که استقلال آرا را از بین می‌برد. کل بحث پژوهشی سه سال گذشته حول یک پرسش می‌چرخد: آیا اطلاعاتی که از دیدن پاسخ دیگران به دست می‌آید، بیشتر از استقلالی است که از دست می‌رود؟

شکل یک مناظره‌ی واقعی

نمونه‌ی ساده‌شده‌ی یک مناظره‌ی دو راندی روی یک مسئله‌ی حساب:

این دقیقاً همان چیزی است که طرفداران مناظره را هیجان‌زده می‌کند: یک مدل خطا کرد و دیدن استدلال دیگری اصلاحش کرد. اما همین نمونه پرسش کلیدی را پنهان کرده — اگر بدون هیچ بحثی فقط رأی می‌گرفتیم، آیا به همان جواب نمی‌رسیدیم؟ در بخش ۰۸ به این برمی‌گردیم.

مسئله‌ای که مناظره قرار بود حل کند

پژوهشگران سه ریشه برای این پدیده شناسایی کردند: ادراک تحریف‌شده از داده‌ی آموزشی، مقاومت در برابر تغییر باور تثبیت‌شده، و نبود دیدگاه بیرونی^۷. مورد سوم کلید ماجراست — مدل نمی‌تواند چیزی را ببیند که در زمینه‌اش نیست. اگر با نحوه‌ی ساخت و مدیریت زمینه آشنا نیستید، مهندسی زمینه پایه‌های آن را توضیح می‌دهد.

راه‌حل پیشنهادی، ساختاری با سه نقش بود: دو مناظره‌کننده که موظف‌اند مواضع مخالف بگیرند و «مو به مو» پاسخ هم را رد کنند؛ یک داور با دو حالت کاری (تشخیص اجماع و استخراج پاسخ نهایی)؛ و فرا-پرامپت‌هایی که موضوع، سقف تکرار و قواعد را تعیین می‌کنند.

نتایج قابل توجه بودند: روی محک استدلال ضدشهودی، دقت از ۲۶٪ به ۳۷٪ رسید. و روی ترجمه‌ی ماشینی، نسخه‌ی مناظره‌ایِ یک مدل نسل قبل امتیاز انسانی ۳٫۷۸ گرفت — بالاتر از مدل نسل بعدی که به‌تنهایی ۳٫۴۱ گرفته بود.

موج اول: اعدادی که همه را هیجان‌زده کرد

و دو نمودار که بعداً محل مناقشه شد: با افزایش تعداد ایجنت‌ها عملکرد یکنواخت بالا می‌رفت، و با افزایش تعداد راندها هم — وقتی تعداد ایجنت روی ۳ ثابت بود^۵. دومی همان یافته‌ای است که پژوهش‌های بعدی معکوسش کردند.

پنج متغیری که همه‌چیز را تعیین می‌کنند

متغیر سوم غیرمنتظره‌ترین است. در یک مطالعه‌ی مقایسه‌ای، صرفاً تنظیم میزان توافق‌پذیری ایجنت‌ها از طریق پرامپت، یکی از استراتژی‌های مناظره را از بدترین به بهترین تبدیل کرد — حدود ۱۵ درصد جابه‌جایی^۸. یک جمله در پرامپت، اثری بزرگ‌تر از تعویض کل معماری داشت.

تردید اول: «آیا باید MAD برویم؟»

یافته‌ی مرکزی ظریف‌تر از «مناظره بد است» بود. نویسندگان نوشتند پروتکل‌های مناظره ذاتاً بدتر از رویکردهای دیگر نیستند، بلکه به تنظیمات هایپرپارامتر بسیار حساس‌ترند و بهینه‌سازی‌شان سخت است^۸. مناظره یک ابزار پرنوسان است: با تنظیم درست خوب، با تنظیم پیش‌فرض بد.

• تنظیمات بهینه به مجموعه‌داده وابسته‌اند. هیچ پیکربندی واحدی روی محک‌های پزشکی و غیرپزشکی هم‌زمان برنده نبود.
• انتقال بین مدل‌ها ناپایدار است. تنظیماتی که به یک مدل مرزی منتقل می‌شد، به یک مدل متن‌باز کوچک‌تر منتقل نشد.
• هزینه توجیه ندارد. فراخوان و توکن به‌مراتب بیشتر، بدون تضمین بهبود دقت.

یک سال بعد، بررسی مستقل دیگری روی نُه محک با دو مدل مختلف، همین نتیجه را تأیید کرد: چارچوب‌های مناظره به‌طور مداوم از استراتژی‌های ساده‌ی محاسبه در زمان استنتاج — مثل زنجیره‌ی تفکر و self-consistency — بهتر عمل نکردند، و افزایش بودجه‌ی محاسباتی هم لزوماً دقت را بالا نبرد^۱۶.

ضربه‌ی اصلی: بحث یا رأی؟

مارتینگل مفهومی از نظریه‌ی احتمال است: فرایندی که در آن بهترین پیش‌بینی شرطی برای مقدار بعدی، مقدار فعلی است. بنابراین در مدل نظری آن مقاله، راند اضافه به‌خودیِ خود تضمینی برای نزدیک‌تر شدن به پاسخ درست ندارد؛ البته مداخله‌های جهت‌دار، داور بهتر یا اطلاعات تازه می‌توانند این فرض خنثی را بشکنند.

پس چرا آزمایش‌های ۲۰۲۳ بهبود نشان دادند؟

چون در آن آزمایش‌ها، مناظره و رأی‌گیری از هم تفکیک نشده بودند. وقتی سه ایجنت پاسخ می‌دهند و در پایان پاسخ غالب انتخاب می‌شود، دو اثر هم‌زمان در کارند:

1. اثر آماری. میانگین‌گیری روی چند نمونه، نویز تصادفی را کم می‌کند. این اثر بدون هیچ بحثی هم وجود دارد — و دقیقاً همان چیزی است که کندورسه در ۱۷۸۵ اثبات کرد.
2. اثر اطلاعاتی. ایجنت با دیدن استدلال دیگری چیز تازه‌ای می‌فهمد و نظرش عوض می‌شود.

خط پایه‌ی درست برای سنجش مناظره، «یک فراخوان تکی» نیست — «همان تعداد فراخوان، ولی بدون دیدن پاسخ دیگران» است. وقتی این خط پایه‌ی منصفانه گذاشته شد، بخش عمده‌ی برتری ناپدید شد.

تناقض کندورسه: مناظره شرط خودش را نقض می‌کند

در این مقاله، قضیه‌ی کندورسه را به‌عنوان یک توضیح شهودی مکمل برای فهم نتیجه‌ی مارتینگل به کار می‌بریم؛ نه به‌عنوان اثبات آن. این دو چارچوب فرض‌های یکسانی ندارند، اما هر دو توجه را به استقلال آرا و نحوه‌ی به‌روزرسانی باورها جلب می‌کنند.

شرط اول: استقلال

کندورسه در ۱۷۸۵ نشان داد اگر هر رأی‌دهنده به‌طور مستقل با احتمال p > ۰٫۵ درست تصمیم بگیرد، احتمال درستی رأی اکثریت با افزایش تعداد رأی‌دهندگان به ۱ میل می‌کند^۱. کلمه‌ی «مستقل» تزئینی نیست؛ موتور کل قضیه است. استقلال یعنی خطاهای رأی‌دهندگان با هم هم‌بسته نیستند، پس در رأی‌گیری همدیگر را خنثی می‌کنند.

حالا مناظره را در نظر بگیرید. ایجنت ب پاسخ ایجنت الف را می‌بیند. اگر نظرش را عوض کند، رأی او دیگر شاهدِ مستقلی نیست — بازتابی از رأی الف است. شما فکر می‌کنید سه رأی دارید، اما در عمل شاید یک رأی و دو پژواک داشته باشید.

شرط دوم: بهتر از شانس بودن

وجه کمتر شناخته‌شده‌ی قضیه‌ی کندورسه، حالت معکوس آن است: اگر p < ۰٫۵ باشد — یعنی رأی‌دهنده‌ها به‌طور میانگین بیشتر غلط می‌گویند تا درست — آنگاه افزایش تعداد رأی‌دهندگان اوضاع را بدتر می‌کند، و بهترین هیئت‌منصفه یک نفر است^۱.

ترجمه‌ی این حکم به زبان مهندسی هوش مصنوعی، هشداری جدی است: روی وظیفه‌ای که مدل شما در آن ضعیف‌تر از شانس عمل می‌کند، اضافه کردن ایجنت دقت را بالا نمی‌برد — آن را پایین می‌آورد. رأی‌گیری خطای سیستماتیک را تقویت می‌کند، نه فیلتر.

چرا ۳ تا ۵ ایجنت؟ ریاضیاتش اینجاست

در تقریب‌های مجانبیِ نزدیک به مرز شانس، نسبت سیگنال به نویز با جذر تعداد رأی‌دهندگان رشد می‌کند^۱. پیام عملی، بازده نزولی است: افزایش تیم از سه به پنج ممکن است مفید باشد، اما جهش از ده به بیست فقط با آزمون روی داده‌ی واقعی توجیه می‌شود و به‌خودیِ خود تضمینی برای بهبود ندارد.

این همان چیزی است که توصیه‌ی تجربی «۳ تا ۵ ایجنت» را از یک قاعده‌ی سرانگشتی به یک نتیجه‌ی قابل استنتاج تبدیل می‌کند — و توضیح می‌دهد چرا در بخش ۱۱ خواهیم دید افزودن ایجنت مفید است ولی افزودن راند مضر.

درسِ آزمایش اَش: چطور اقلیتِ درست را نجات دهیم

اعداد اصلی آزمایش^۲:

مطالعه‌ی کنترل‌شده‌ی ۲۰۲۵ روی مناظره‌ی مدل‌ها دقیقاً همین الگو را در ایجنت‌ها مستند کرد: وقتی اکثریت روی پاسخ غلطی هم‌نظر می‌شدند، فشار گروه مانع می‌شد ایجنتِ درست روی موضع خود بماند^۱۳. یعنی مناظره می‌تواند پاسخ درست را حذف کند — نه به‌خاطر ضعف استدلال، بلکه به‌خاطر پویایی گروه.

الگوی پیشنهادی برای آزمایش: مخالفِ کاشته

از این یافته می‌توان یک الگوی طراحی قابل‌آزمایش پیشنهاد کرد: به‌جای اینکه فقط به تنوع طبیعی مدل‌ها امید ببندید، یک ایجنت را موظف کنید قوی‌ترین نقد ممکن را علیه پاسخ غالب بسازد. این پیشنهاد از آزمایش اَش الهام گرفته، اما هنوز نباید آن را نتیجه‌ای اثبات‌شده برای همه‌ی LLMها دانست.

• ایجنت مخالف نباید در رأی‌گیری نهایی شرکت کند؛ نقش او تولید فشار است، نه رأی.
• پرامپت او باید بگوید: «قوی‌ترین استدلال ممکن علیه پاسخ غالب را بساز، حتی اگر خودت آن را باور نداری.»
• اگر مخالف نتوانست حفره‌ای پیدا کند، آن را فقط یک سیگنال کمکی بدانید؛ ناتوانی یک LLM در یافتن نقد، تضمین صحت پاسخ نیست.

ساختار مشابهی در چارچوب «فرشته و شیطان» پیشنهاد شده بود^۷. پیوند دادن آن به آزمایش اَش در اینجا یک تفسیر طراحی است و باید با A/B تست روی داده‌ی واقعی سنجیده شود.

اصلاً چند ایجنت لازم است؟ شاید یکی

این یافته، مناظره را در جای تازه‌ای می‌نشاند: نه یک روش برتر، بلکه یک جبران‌کننده‌ی پرامپت ضعیف. وقتی به مدل مثال و شرح کافی می‌دهید، مزیت بحث گروهی عملاً محو می‌شود^۹.

ردیف سوم نکته‌ی ظریفی دارد: همان پژوهش دید که ایجنت‌های مبتنی بر مدل‌های ضعیف‌تر، وقتی در کنار مدل‌های قوی‌تر قرار می‌گیرند عملکردشان بالا می‌رود. یعنی سود مناظره به ناهمگنی توانایی بستگی دارد، نه به صرفِ زیاد بودن تعداد ایجنت‌ها. این پلی است به بخش ۱۳.

اجماع یا رأی‌گیری؟ به نوع مسئله بستگی دارد

منطق پشت این تفکیک روشن است. در وظایف دانشی، خطاها معمولاً فردی و تصادفی‌اند؛ الزام به توافق چند ایجنت، این خطاها را فیلتر می‌کند. در وظایف استدلالی، مسیرهای متعدد و معتبری به پاسخ وجود دارد؛ اجبار به اجماع، تنوع مسیرها را زودتر از موعد می‌کشد^۱۲.

آنچه واقعاً کار می‌کند: تنوع، نه ساختار

پیامد عملی مستقیم دارد: وقت گذاشتن روی طراحی پروتکل مناظره — چه کسی اول حرف بزند، آیا میزان اطمینان نمایش داده شود — عمدتاً اتلاف وقت است. آنچه ارزش دارد، انتخاب مدل‌های متفاوت است^۱۳.

و این دقیقاً همان چیزی است که از قضیه‌ی کندورسه انتظار داریم: تنوع مدل‌ها یعنی خطاهای کمتر هم‌بسته، یعنی رأی‌گیری قدرت فیلتر کردن خود را حفظ می‌کند. سه نمونه از یک مدل، سه رأی نیستند — یک رأی با نویزند. پژوهش مستقلی هم نشان داده گروه‌های ناهمگن از ایجنت‌ها، توان استدلالی بالاتری از گروه‌های همگن دارند.^۱۷

سه رفتار گروهی که مستند شد

• اکثریت، اقلیت را سرکوب می‌کند — همان الگویی که در بخش ۱۰ دیدیم.
• مخالفت مؤثر کار می‌کند. تیم‌های موفق آن‌هایی بودند که توانستند اجماع معیوب را واژگون کنند، نه آن‌هایی که سریع‌تر به توافق رسیدند.
• منطق مهم‌تر از لحن است. استدلالی که با اعتبار منطقی هم‌راستا بود، بهترین پیش‌بینی‌کننده‌ی بهبود بود.

جایی که مناظره واقعاً می‌درخشد: داوری

این تفاوت بنیادی است و باز هم به کندورسه برمی‌گردد. در یک مسئله‌ی حساب، پاسخ درست یکی است و «دیدگاه متفاوت» چیزی جز نویز نیست. در ارزیابی یک متن، «خوب بودن» چند بُعد دارد — دقت، انسجام، لحن، کامل بودن — و هر ایجنت می‌تواند بُعد متفاوتی را ببیند. اینجا تنوع، اطلاعات واقعیِ غیرهم‌بسته تولید می‌کند^۱۴.

نسل جدید سیستم‌های داوری چندایجنتی، سازوکار تشخیص پایداری اضافه کرده‌اند: به‌جای اجرای تعداد ثابتی راند، توزیع آرای داورها رصد می‌شود و به‌محض پایدار شدن، مناظره متوقف می‌شود^۱۵. این دقیقاً همان «توقف تطبیقی» است که از ۲۰۲۳ به‌عنوان عامل اصلی سود شناخته شده بود — حالا با پشتوانه‌ی آماری.

شاخه‌ی فراموش‌شده: مناظره برای نظارت

ایده‌ی اصلی، قیاسی از نظریه‌ی پیچیدگی داشت: مناظره مثل یک درخت بازی است. وقتی استدلال کامل از توان درک انسان بیرون است، بحث به‌تدریج روی نقاط اختلاف «زوم» می‌کند تا به ادعایی برسد آن‌قدر ساده که انسان بتواند مستقیماً درباره‌اش قضاوت کند^۴.

آزمایش اولیه روی تشخیص ارقام دست‌نویس انجام شد، با محدودیتی عمدی: داور فقط شش پیکسل از تصویر را می‌دید. نتیجه:

این خط پژوهشی بعدها صورت‌بندی نظری دقیق‌تری هم پیدا کرد، با تمرکز بر اینکه داور با چه میزان محاسبه می‌تواند مناظره را به‌درستی داوری کند.^۲۰

شباهت دو عدد پایانی — ۸۸٫۹٪ و ۸۸٪ — با فاصله‌ی شش سال و روی دو نوع کاملاً متفاوت از داده، تصادفی به نظر نمی‌رسد. نکته‌ی کلیدی آزمایش ۲۰۲۴ این بود که مناظره‌کننده‌ها برای متقاعدکنندگی بهینه شده بودند، نه برای درستی، و بدون هیچ برچسب حقیقتِ زمینی. با این حال توانایی داور غیرمتخصص در تشخیص حقیقت بالا رفت^۱۰.

اقتصاد مناظره: چرا راند سوم اینقدر گران است

بیایید با اعداد مشخص حساب کنیم. فرض: پرسش و دستور سیستمی ۵۰۰ توکن، پاسخ هر ایجنت ۴۰۰ توکن، سه ایجنت.

ردیف آخر را با ردیف قبلش مقایسه کنید. رفتن از دو راند به سه راند، ۸٬۷۰۰ توکن ورودی اضافه می‌کند — بیشتر از کل ۶٬۶۰۰ توکنی که دو راند اول مصرف کرده بودند. دلیلش ساده است: در راند سوم، هر ایجنت باید پاسخ‌های هر سه ایجنت در دو راند قبل را بخواند.

Prompt caching می‌تواند هزینه‌ی صورتحسابِ بخش‌های تکراری را کم کند، اما رشد تاریخچه، محدودیت پنجره‌ی زمینه و زمان پردازش را حذف نمی‌کند؛ ضمن اینکه میزان صرفه‌جویی به API و یکسان بودن پیشوندها بستگی دارد. خلاصه‌سازی تاریخچه یا ارسال انتخابی پیام‌ها می‌تواند فرمول واقعی را تغییر دهد.

این فرمول، توصیه‌ی «ایجنت اضافه کن نه راند» را پیچیده‌تر می‌کند: افزودن ایجنت هم گران است و فقط وقتی ارزش دارد که روی داده‌ی شما سود بیشتری نشان دهد. اگر بودجه محدود دارید، ترتیب درست این است: اول پرامپت را قوی کنید (بخش ۱۱)، بعد self-consistency، و مناظره را برای آخر بگذارید.

این محاسبه فقط توکن را می‌شمارد. داده‌ی میدانی Anthropic نشان می‌دهد سیستم‌های چندایجنتی در عمل حدود ۱۵ برابر یک مکالمه‌ی ساده توکن مصرف می‌کنند^۱۸، و تیم Cognition استدلال می‌کند هزینه‌ی پنهان بزرگ‌تر جای دیگری است: اشکال‌زدایی و ناسازگاری خروجی‌ها.^۱۹ برای تصویر کامل — شامل تأخیر و هزینه‌ی نگهداری — بخش هزینه در راهنمای سیستم چندایجنتی را ببینید.

پیاده‌سازی عملی، از ارزان به گران

پرامپت آماده: مناظره‌کننده

هر یک از چهار «قاعده‌ی سخت» مستقیماً از یک یافته‌ی پژوهشی می‌آید: قاعده‌ی اول و دوم برای مهار سرکوب اقلیت (بخش ۱۰)، قاعده‌ی سوم برای جلوگیری از هم‌گرایی توخالی که استقلال آرا را نابود می‌کند (بخش ۰۹)، و قاعده‌ی چهارم برای اینکه شرط توقف بتواند پایداری واقعی را تشخیص دهد.

پرامپت مخالفِ کاشته

شرط توقف — مهم‌ترین قطعه

مناظره را با «سقف راند» متوقف نکنید. چهار سیگنال را ترکیب کنید:

1. پایداری. اگر توزیع پاسخ‌ها بین دو راند متوالی تغییر نکرد، تمام.
2. اجماع زودهنگام. اگر همه در راند اول موافق بودند، راند دوم را اجرا نکنید.
3. سقف سخت. حداکثر ۲ تا ۳ راند، به‌عنوان محافظ نه هدف.
4. سقف بودجه. سقف توکن یا هزینه‌ی هر پرسش، مستقل از وضعیت مناظره.

مفهوم شرط توقف مرکب، همان چیزی است که در مهندسی حلقه به‌عنوان شاخص بلوغ یک سیستم ایجنتی معرفی شده — و در مناظره اهمیتش دوچندان است، چون طبق بخش ۱۶ هر راند اضافه هزینه‌ی درجه‌دوم دارد.

هفت اشتباه رایج در پیاده‌سازی مناظره

جمع‌بندی: بالاخره بسازیم یا نه؟

مطالب مرتبط و ادامه‌ی مسیر

پرسش‌های پرتکرار

واژه‌نامه

مناظره‌ی چندایجنتیMulti-Agent Debate

پروتکلی که در آن چند مدل زبانی پاسخ یکدیگر را می‌بینند، نقد می‌کنند و طی چند راند به پاسخ نهایی می‌رسند.

قضیه‌ی کندورسهCondorcet Jury Theorem

اگر رأی‌دهندگان مستقل باشند و هرکدام با احتمال بیش از ۵۰٪ درست تصمیم بگیرند، احتمال درستی رأی اکثریت با افزایش تعدادشان به ۱ میل می‌کند.

خطای هم‌بستهCorrelated Error

خطایی که چند ایجنت به‌طور مشترک مرتکب می‌شوند؛ رأی‌گیری نمی‌تواند آن را فیلتر کند.

زوال اندیشهDegeneration-of-Thought

ناتوانی مدل در تولید فکر تازه پس از تثبیت اطمینان به پاسخ خود، حتی هنگام خودبازبینی.

خودسازگاریSelf-Consistency

تولید چند پاسخ مستقل و انتخاب رأی اکثریت، بدون اینکه ایجنت‌ها پاسخ هم را ببینند.

مارتینگلMartingale

فرایند تصادفی که بهترین پیش‌بینی برای مقدار بعدی‌اش، مقدار فعلی است.

توقف تطبیقیAdaptive Break

پایان دادن به مناظره در لحظه‌ی پایداری پاسخ‌ها، به‌جای اجرای تعداد ثابتی راند.

سرکوب اقلیتMajority Suppression

پدیده‌ای که در آن فشار توافق گروهی، ایجنتِ دارای پاسخ درست را وادار به عقب‌نشینی می‌کند.

مخالفِ کاشتهPlanted Dissenter

ایجنتی که از پیش موظف است موضع مخالف بگیرد تا اجماع زودهنگام شکسته شود.

بایاس داورJudge Bias

گرایش داور LLM به مناظره‌کننده‌ای که همان مدل پایه را دارد.

نظارت مقیاس‌پذیرScalable Oversight

روش‌هایی برای اینکه ناظر ضعیف‌تر بتواند خروجی مدل تواناتر را ارزیابی کند؛ مناظره یکی از آن‌هاست.

میزان توافق‌پذیریAgreeableness

تمایل ایجنت به پذیرش نظر دیگران؛ متغیری که تنظیمش تا ۱۵٪ عملکرد را جابه‌جا کرد.

منابع

اعداد و یافته‌های محوری این مقاله تا حد امکان از مقاله‌ی اصلی، نسخه‌ی رسمی کنفرانس یا انتشار مستقیم سازمان سازنده گرفته شده‌اند؛ موارد استنتاجی نیز در متن از نتایج قطعی جدا شده‌اند.

1. Condorcet's Jury Theorem — قضیه‌ی هیئت‌منصفه، و Jury Theorems در دانشنامه‌ی فلسفه‌ی استنفورد.Marquis de Condorcet, 1785نظریه
2. Studies of Independence and Conformity — گزارش اصلی آزمایش‌های استقلال و هم‌رنگی.Solomon Asch, 1956روان‌شناسی
3. Society of Mind — نظریه‌ی پیدایش هوش از تعامل عوامل ساده.Marvin Minsky, 1986مبانی
4. AI Safety via Debate — طرح اولیه‌ی مناظره برای نظارت (شرح OpenAI).Irving, Christiano, Amodei — 2018arXiv
5. Improving Factuality and Reasoning in Language Models through Multiagent Debate — مقاله‌ی مرجع، جدول‌های ۱ و ۲.Du et al. — ICML 2024داوری‌شده
6. Multi-AI collaboration helps reasoning and factual accuracy in LLMs — شرح رسمی MIT.MIT News — 2023دانشگاهی
7. Encouraging Divergent Thinking in LLMs through Multi-Agent Debate — مفهوم زوال اندیشه و چارچوب فرشته/شیطان.Liang et al. — EMNLP 2024داوری‌شده
8. Should we be going MAD? A Look at Multi-Agent Debate Strategies for LLMs — مقایسه‌ی سیستماتیک با روش‌های رقیب.Smit et al. — ICML 2024داوری‌شده
9. Rethinking the Bounds of LLM Reasoning: Are Multi-Agent Discussions the Key? — ایجنت تکی با پرامپت قوی.2024arXiv
10. Debating with More Persuasive LLMs Leads to More Truthful Answers — دقت داور غیرمتخصص ۶۰ به ۸۸ درصد.Khan et al. — ICML 2024داوری‌شده
11. Debate or Vote: Which Yields Better Decisions in Multi-Agent Large Language Models? — چارچوب مارتینگل و تفکیک اثر رأی از بحث.NeurIPS 2025 Spotlightداوری‌شده
12. Voting or Consensus? Decision-Making in Multi-Agent Debate — تفکیک وظایف دانشی و استدلالی.ACL 2025 Findingsداوری‌شده
13. Can LLM Agents Really Debate? A Controlled Study of Multi-Agent Debate in Logical Reasoning — تنوع در برابر ساختار، و سرکوب اقلیت.2025arXiv
14. ChatEval: Towards Better LLM-based Evaluators through Multi-Agent Debate — مناظره برای ارزیابی.Chan et al. — ICLR 2024داوری‌شده
15. Multi-Agent Debate for LLM Judges with Adaptive Stability Detection — توقف تطبیقی آماری.2025arXiv
16. Multi-LLM-Agents Debate — Performance, Efficiency and Scaling Challenges — بررسی روی ۹ محک.ICLR 2025 Blogpostsتحلیل پژوهشی
17. Diversity of Thought Elicits Stronger Reasoning Capabilities in Multi-Agent Debate Frameworks — اثر ناهمگنی گروه.2024arXiv
18. How we built our multi-agent research system — داده‌ی مصرف توکن سیستم‌های چندایجنتی.Anthropic Engineering — 2025صنعتی
19. Don't Build Multi-Agents — موضع مقابل درباره‌ی معماری چندایجنتی.Walden Yan, Cognition — 2025صنعتی
20. Scalable AI Safety via Doubly-Efficient Debate — صورت‌بندی نظری مناظره در نظارت.Brown-Cohen et al.arXiv