多智能体推理为何失效：相关错误与多样性坍缩的机理剖析

“多个智能体一起投票，准确率必然更高”是自洽性采样、多智能体辩论、Mixture-of-Agents 的共同前提。本项目证明：在足够难的推理任务上，多个大模型会因共享语料与架构而犯下相关的同质错误，本应靠多样性带来的集成增益于是坍缩为零甚至变负——集成准确率反而低于最强单模型。用 1785 年的 Condorcet 陪审团定理（50% 阈值）框定“投票有益/有害”的分界，并在 AIME-2024、MATH-500、GPQA-Diamond 三个难度递增的真实基准上系统验证。

• 任务类型自然语言与大模型
• 专业方向计算机 · 人工智能 · 数据科学

项目亮点

• ✅ AIME-2024 experiment complete: 6 models × 30 questions.
• ✅ MATH-500 experiment complete: 6 models × 500 questions.
• ✅ GPQA-Diamond experiment complete: 6 models × 198 questions.
• ✅ Multi-reviewer audit (7 MUST-FIX) resolved — see `paper/archive/reviews/main_review_v5.md`.

数据与任务

如果你想找一个 LLM / Agent 味道浓、又能把"一个被所有人默认成立的前提为什么会崩"讲透的项目，这个「多智能体推理的多样性坍缩」很合适。

它切的角度很硬、也很反直觉——大家都信"智能体越多越好（more agents is all you need）"，把一堆模型的答案投个票，错误互相抵消、正确彼此印证，准确率自然更高。这个项目偏要证明：在足够难的题目上，这个前提会悄无声息地反转成"智能体越多越坏"。配套也给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释、能读懂的代码，一份从痛点讲到机理与三基准实验的 32 页技术文档，里面连简历描述和会被追问的面试问题都连答案写好了，还有一整套能直接做 PPT 的论文级配图。

先说清楚，它到底在做什么

"多个智能体一起投票，准确率必然更高"——这是自洽性采样（self-consistency）、多智能体辩论、Mixture-of-Agents 一整套主流框架默认成立的前提。直觉很诱人：每个模型各有所长，把不同视角聚合起来，随机错误会互相抵消。但这个项目从一个被长期忽视的角度切入：这个前提在难推理任务上会崩塌。当多个大模型面对足够难的题，它们并不犯彼此独立、能互相抵消的随机错误，而是因为共享训练语料和架构犯下相关的、同质化的错误——本应靠多样性带来的集成增益于是坍缩为零甚至变负：集成后的准确率反而低于其中最强的单个模型。

项目把 1785 年的 Condorcet 陪审团定理重新请回大模型集成：用单模型 50% 准确率这条阈值，精确框定"投票有益"与"投票有害"的分界线——成员准确率高于 50% 时纳入投票会提升集成（HELP 区），一旦低于 50% 纳入它反而拉低集成（HARM 区）。已有"多智能体更强"的工作，恰恰只在阈值之上的简单基准上验证过。

搞懂它，你能在面试里讲清楚什么

把下面几件事吃透，面试官顺着"多智能体集成为什么会反噬"这条线问下来你都能接得住。

Condorcet 陪审团定理和它的独立性假设，怎么框定"投票有益"的边界。 这是整个项目的标尺。你要能讲清楚：为什么个体准确率 p>50% 时多数投票会让集成更准、p<50% 时反而更差，以及这条定理有一个致命的前提——成员错误相互独立。难任务上这个前提被打破，定理的"保证"随之失效。照着下面这张理论曲线，你能把"为什么 50% 是红线、强模型落在 HELP 区、中档模型落在 HARM 区"整条逻辑讲明白。

用 Cohen's κ 和同错率（SER）两把尺子，怎么把"多样性坍缩"量化出来。 这是项目最有思想含量的一点。"多样性"听起来很虚，项目把它做成两个可计算的数：Cohen's κ 度量两个模型对错模式的一致性（扣掉随机巧合后的真重叠），同错率 SER 度量两个都做错时是否给出了同一个错误答案。结论很反直觉——强模型之间错误几乎不重叠（κ 低、SER≈0）却因为各自太强、可投票的空间太小而无机可乘；中档模型之间错误反而部分相关（κ 高、SER 高），从两端共同绞杀集成增益。你要能讲清楚这两把尺子各测什么、为什么它们一起才说清了"坍缩"。

同一批模型，凭什么仅因任务难度就从"投票 +3.4pp"滑到"投票 −76pp"。 这是项目的落点。项目在三个难度递增的真实基准——AIME-2024（竞赛数学）、MATH-500（教材数学）、GPQA-Diamond（研究生科学）——上系统验证：同一批六个模型，MATH-500 上六个全部过线、全员投票 +3.4pp；GPQA 上三上三下、转为 −3.0pp 的轻微反噬；AIME 上只有两个过线，严格多数投票把最强单模型的 93% 直接砸到 17%，损失 −76 个百分点。你要能讲清楚：增益从正变负的完整光谱，恰好对应"跌破阈值的成员越来越多"。

下面这组论文级实验图也都给你做好了，可以直接放进答辩或面试 PPT：

更关键的是，每张图怎么跑出来的、该怎么解读，技术文档里都讲清楚了——比如对错矩阵里为什么难题区会出现"中档模型整片同时翻红"，而这恰恰是相关错误最直观的证据。

面试官会问的，都帮你备好了

随便感受几个这个项目真实会被追问的问题：

• Condorcet 陪审团定理凭什么说"投票有益"？它有一个关键假设，难任务上为什么会被打破？

• 你说的"多样性坍缩"具体怎么量化？Cohen's κ 和同错率分别测的是什么，为什么要用两个指标？

• 为什么强模型之间错误不重叠却也帮不上集成、中档模型之间错误相关又拖累集成——"两端绞杀"是什么意思？

• 同一批六个模型，凭什么在 MATH-500 上投票 +3.4pp、在 AIME 上 −76pp？这说明部署多智能体投票前应该先做什么？

看到会愣一下？正常。配套的项目讲解资料把这个项目——从整体故事线到每个机理细节、各种可能被追问的点——连参考答案都给你写好了（15 道面试问答），连"为什么这不是否定多智能体、而是刻画它在哪成立在哪反噬"这种判断题都帮你梳理好了。另外还有现成的简历描述（两版），照着改就能写进简历；那套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。

配套资料：搞懂一个项目需要的，这里全都有

先看那份 32 页技术说明文档——从"多智能体投票为什么被寄予厚望"的痛点，讲到 Condorcet 阈值、κ 与同错率的机理量化，再到三个难度基准上的完整实验光谱，图文并茂、每张图后紧跟整段中文深度解读：

代码也给你了——关键部分都带着中文注释，帮你读懂"多样性坍缩到底是怎么算出来的"：左边是 Cohen's κ 怎么扣掉随机巧合度量错误一致性，右边是同错率怎么判断两个模型是否一起犯了同一个错：

技术文档、项目讲解资料、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。

适合谁

不管你是赶毕设、想给简历添个有大模型分量的项目，还是在准备面试，这个题目都接得住。专业上，计算机、人工智能、数据科学方向都很合适——尤其是想往 LLM / Agent、多智能体系统、模型评测方向走的同学。它不需要你训练任何大模型，吃的是"机理与方法论"这碗饭：把"Condorcet 定理怎么框定边界、κ 与同错率怎么量化多样性坍缩、三个难度基准上增益怎么从正变负"这条完整链路真正搞懂、能讲出来，就是一个既有思想深度、又撑得起面试的项目。