UMAS：面向多智能体LLM系统的系统级不确定性量化

UMAS 用智能体间影响可信度做系统级不确定性量化，平均提升 10.54 AUROC 点。

资讯摘要

论文提出 UMAS，一个无参数、不增加推理成本的多智能体系统级不确定性量化框架。它依据每次生成的内在置信度估计智能体间影响的可靠性，用该信号调节各节点的不确定性更新，再聚合为系统级估计。作者报告在 Debate 与 DyLAN 上跨多个基准平均领先现有基线 10.54 个 AUROC 点，并可用于幻觉检测与不确定性感知的答案选择，部分任务准确率提升至多 12.6 点。

要点速读

1. UMAS 为无参数、成本中性的系统级不确定性量化框架，利用智能体间影响的可信度调节节点不确定性更新。
2. 作者报告在 Debate 和 DyLAN 上跨多个基准平均超过现有基线 10.54 个 AUROC 点。
3. 该框架支持幻觉检测与不确定性感知答案选择，特定任务上 MAS 准确率最高提升 12.6 点；代码已公开。

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 2026/10/28 08:00:17（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。