MASCAL：为多智能体协作学习校准置信度

MASCAL 让上游智能体在交接时传递校准后的答案正确概率。

资讯摘要

论文提出 MASCAL，让多智能体系统中的每个智能体在强化学习中联合优化任务表现与置信度校准，为自身答案输出正确概率，并在交接时传给下游智能体，使下游有量化依据判断是否信任或核验上游结果；最终答案也附带校准概率。作者还引入置信度感知加权，提高对上游概率敏感位置的学习权重。在三种协作架构的 Web 检索与推理任务上，作者报告任务准确率与校准质量均有提升，并可泛化到更深协作链与不同模型规模。

要点速读

1. 每个智能体在强化学习中联合优化任务表现与置信度校准，输出答案正确概率并在交接时传递。
2. 引入置信度感知加权，提高对上游概率敏感位置的学习权重。
3. 在三种协作架构的 Web 检索与推理任务上，作者报告准确率与校准质量提升，并泛化到更深协作链和不同模型规模。

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。