差异洗白：临床多智能体系统的共识与公平性

临床多智能体系统会把人口统计偏见洗白成看似合理的决策。

资讯摘要

论文研究临床大语言模型以多智能体团队形式部署时的公平性问题。作者在120个真实MIMIC-IV急诊病例上，对五种模型家族与四种聚合拓扑做全因子实验，并进行反事实人口统计替换。结果显示20种配置均未消除差异，偏见只是被转移而非移除；公平指令与人口统计遮蔽无效，逐智能体自我去偏反而扩大差距。作者称此为“差异洗白”，并提出多样化视角集成可使差异下降67%至94%。

要点速读

1. 论文在120个MIMIC-IV急诊病例上测试五种模型家族与四种聚合拓扑，所有20种配置都保留了智能体独立回答的偏见方向。
2. 公平指令和人口统计遮蔽未改变差距，逐智能体自我去偏反而使差距扩大。
3. 多样化视角集成在每轮汇总全部五种视角时使差异下降67%至94%，且无需重训练或架构改动。

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 2026/10/31 08:00:18（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。