consensus

一位用户分享了使用ChatGPT进行复杂医疗护理的经验，并提出聚合多个AI模型的想法，通过寻求不同LLM之间的共识来提高可靠性。

本文认为，人工智能创造了一个快速反馈循环，人类和机器相互塑造真理，加速共识转变，使得真理越来越合成且脱离现实。

本文提出了一种分布式方法，用于约束多智能体强化学习，该方法采用状态增强策略学习和对偶变量上的邻居间一致性，以在满足全局资源约束的同时实现智能体数量线性扩展。在智能电网需求响应上的实验表明，一致性协调对可行性至关重要：与集中式训练方法不同，它能够扩展到数千个智能体。

PolyGnosis 是一个基于 Hermes 技能构建的对抗式多模型共识系统。它并行运行三个具有不同专家角色的 AI 模型，然后进入对抗性批评阶段，通过 RRF 和 Borda Count 进行评分，最后通过合成门——所有这些都使用 DeepSeek V4-Pro 以智能体方式构建。

本文揭示，聚合多个LLM智能体的完整推理轨迹（而非仅其最终答案）即使在所有智能体一致同意的情况下也能纠正错误，引入了“聚合悖论”以及Self-Consistent Mixture of Agents方法。

本文发现，语言模型在测试时采样中的推理轨迹会聚集成‘推理盆地’，当主导盆地错误时，会导致多数投票失败。本文提出了ARBITER，一种与模型无关的方法，利用模型自身输出和隐藏状态中的保守加性证据，无需外部数据即可提高准确性。

探索如何使用多个AI模型进行代理工作流，揭示隐藏的不确定性和推理差距，表明未来的系统可能依赖跨模型共识而非单模型链。

实证研究表明，在去中心化自治组织（DAO）中作为边缘原生治理防火墙时，小型语言模型凭借系统1直觉可获得100%对抗鲁棒性，但引入系统2推理后却完全崩溃。

本文通过桌游隐喻解释共识算法（如Paxos），利用视觉图表说明投票、领导者选举以及分布式系统中的容错性。