MASCAL利用校准置信度优化多智能体协作

MASCAL提出一种新方法，让多智能体系统中的代理通过强化学习输出答案正确性的校准概率。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。 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。最终输出的概率支持选择性作答与针对性复核。 研究在三个跨Web检索与推理的协作架构中验证了该方法在任务准确性与校准质量上的提升，证实其可泛化至更深的协作链及不同模型规模。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。