辩论提升共识，但可能伴随更多共享错误。
资讯摘要
论文研究多智能体辩论（MAD）中同伴交流如何影响语言模型的个体决策与集体结果，提出MAD Bench基准，覆盖知识推理、价值道德判断与安全拒答共2400个问题，并用轮次匹配的独立反思作为对照，评估三个开放权重模型。作者报告辩论中模型在生成理由前的强制选择读数更常与最终答案一致，且辩论在非数值题上仅带来小幅准确率提升，同时使全体一致错误率上升。
要点速读
- 论文提出MAD Bench，含2400个问题，覆盖知识推理、价值道德判断、安全拒答三类，评估三个开放权重模型。
- 在Qwen3.5-9B上，辩论中生成理由前的强制选择读数与最终答案一致率为65.4%，独立反思为22.3%。
- 作者报告辩论相对反思使全体一致错误率上升3.1至7.4个百分点，更长辩论中智能体正确性相关性更高。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。