MASCAL 如何通过校准置信度提升多智能体协作

MASCAL 提出让多智能体系统中的代理通过学习输出答案正确性概率，将该校准概率在任务交接中传递给下游代理，为其决策提供量化依据。 该方法结合任务性能与置信度校准进行强化学习优化，并引入置信度感知加权机制，在三个跨 Web 检索与推理的协作架构中验证了其在任务准确性与校准质量上的提升。 最终输出的校准概率支持选择性作答与针对性复核，实验证实其能泛化至更深的协作链及不同模型规模。