Contagion Networks：揭示多智能体系统中评估者偏差的隐秘传播链

在多智能体系统中，当大型语言模型被赋予评估者角色时，其内在的系统性评估偏差并非孤立存在，而是会在智能体间的交互中发生显著传播，这一现象严重影响了系统输出的公正性与可靠性。针对这一关键问题，本研究提出了 Contagion Networks 形式化框架，旨在精确测量并解析评估者偏差如何在相互作用的 LLM 智能体网络中扩散。该研究的核心贡献在于首次建立了量化评估偏差传播的数学模型，并通过严格的受控实验揭示了偏差传播的动态规律。研究不仅证明了偏差传播的普遍性，还深入分析了不同模型配置对传播强度的影响，为理解多智能体系统中的信息污染机制提供了理论基础。

通过引入跨智能体传播矩阵，研究能够直观展示偏差在节点间的流动路径与强度，从而为后续的开发者提供可视化的分析工具，帮助识别系统中的脆弱环节并优化评估流程，确保多智能体协作的稳健性。在技术方法层面，研究设计了一个包含三个智能体的受控实验环境，所有智能体均基于 DeepSeek-chat 模型构建，但被赋予了三种截然不同的评估者偏差画像：结构化偏差、平衡偏差以及基于证据的偏差。这种设计使得研究者能够在控制变量为同一底层模型的前提下，单独考察偏差画像对传播行为的影响。研究构建了跨智能体传播矩阵 Gamma_3，通过计算矩阵的特征值与谱半径 rho(Gamma_N)，识别出三种不同的传播机制：抑制、临界与爆发。

实验详细记录了在不同偏差画像组合下，评估结果如何从一个智能体传递并扭曲另一个智能体的判断。此外，研究还对比了同质模型智能体与跨模型智能体在传播系数上的差异，发现同质模型间的传播系数显著低于跨模型场景，这表明模型架构的相似性可能在一定程度上起到缓冲作用。训练策略上，研究侧重于静态偏差注入与动态交互观测，而非传统的模型微调，从而更纯粹地观察偏差传播的自然动力学过程。实验设置基于精心设计的三智能体交互协议，关键结果揭示了偏差传播的量化特征。

数据显示，评估者偏差在智能体间持续传播，传播系数 gamma 稳定在 0.157 至 0.352 的区间内。这一发现证实了即便在没有外部干扰的情况下，模型内部的偏差也会通过交互被放大或转移。消融实验进一步表明，同质模型智能体产生的传播系数比先前工作中观察到的跨模型系数（如 MM-EPC 中的 0.85-1.3）弱 3 到 5 倍，这将其归类于传播抑制机制中。更为重要的是，研究探索了缓解策略的有效性，发现将评估委员会的规模从单个评估者（k=1）增加到三个评估者（k=3）时，有效传播率大幅降低了 72.4%。

这一关键指标证明了集体决策机制在过滤个体偏差方面的巨大潜力，为多智能体评估架构的设计提供了强有力的数据支持，表明增加评估节点的多样性与数量是抑制偏差传播的有效手段。从行业意义与潜在影响来看，Contagion Networks 框架的提出对开源社区与工业落地具有深远影响。随着多智能体系统在自动化代码审查、内容审核及复杂决策支持中的广泛应用，评估偏差的传播可能导致系统性错误的大规模扩散，进而引发严重的信任危机。本研究开源的实验框架为开发者提供了一个标准化的工具，用于在部署前检测和优化多智能体评估流程中的偏差风险。对于工业界而言，研究结果建议在设计高可靠性多智能体系统时，应优先考虑引入多评估者委员会机制，并监控智能体间的偏差传播谱半径，以确保系统的鲁棒性。此外，该研究为后续关于多智能体对齐、公平性及安全性的研究开辟了新的方向，鼓励学术界进一步探索如何在保持模型智能的同时，最小化其社会性偏差的负面影响，推动人工智能系统向更公正、透明的方向发展。