錯誤但有用：多智能體系統中超越答案正確性的軌跡價值
本文提出 DHD 協議，挑戰多智能體系統中僅依據答案正確性篩選信息的傳統做法。研究指出，錯誤答案可能包含有價值的推理分解或科學原則。通過在五個數學與科學基準上，使用 gpt-oss-120b 和 gemma-4-31B-it 模型進行受控回放實驗，發現「錯誤但有益」的消息在所有組合中均存在。數據顯示，改變最終正確性的錯誤消息中，超過 40% 具有積極影響，且這種效應具有統計顯著性。干預實驗表明，保留完整消息優於僅保留推理或答案。DHD 通過測量軌跡價值，為智能體何時應採納信息提供了可復用的標籤，證明答案正確性並非決定軌跡價值的唯一因素。
在多智能体推理系统中，决策机制通常依赖共识、置信度或自动化评分来决定哪些消息应影响最终答案。这种过滤逻辑隐含了一个假设：即一个很可能正确的消息也是值得保留的。然而，现实情况更为复杂，一个错误的最终答案可能包含有用的分解步骤、约束条件或科学原理。本文旨在测试这种区分，提出了 Diverse Hypothesis Deliberation (DHD) 这一受控测量协议。该协议的核心贡献在于重新定义了消息的价值评估标准，不再局限于答案的对错，而是关注消息对后续推理过程的潜在影响。通过缓存五个独立生成的消息，并回放相同的下游求解器（称为 integrator），DHD 能够精确测量每条消息的"轨迹价值"，即该消息的存在是帮助还是阻碍了后续推理。这一研究填补了现有评估框架中对于过程性价值缺失的空白，为理解多智能体协作中的信息流动提供了新的视角。 DHD 的技术方法设计精巧，采用了严格的受控实验策略。首先，系统独立生成五条消息，随后在回放阶段，针对每条消息分别执行"可用"和"隐藏"两种状态下的推理过程。通过比较这两种状态下的最终结果，可以量化单条消息对整体推理链的影响。这种设计排除了其他变量的干扰，使得轨迹价值的测量具有高度的因果解释力。实验使用了两个公开可用的模型家族：gpt-oss-120b 和 gemma-4-31B-it，确保了结果的可复现性和广泛适用性。在干预实验中，研究者进一步探讨了消息内容的具体作用机制。他们发现，保留完整消息的效果最佳，而仅保留推理部分比仅保留答案能保留更多的成功概率。这一发现暗示了消息中的上下文和逻辑结构对于维持推理连贯性至关重要，尽管完整消息优势的确切来源仍是一个开放的研究问题。这种细粒度的干预分析为优化多智能体系统的信息过滤策略提供了具体的技术依据。 实验在五个数学和科学基准上进行，涵盖了广泛的推理任务。关键结果显示，"错误但有益"的消息出现在每一个基准-模型组合中，这表明这一现象并非偶然或特定于某个领域。在那些改变最终正确性的错误答案消息中，每个模型中都有超过四成的变化是有益的。为了验证结果的可靠性，研究者进行了受控重复实验，发现可重复的消息效应数量不太可能仅由回放变异引起，统计检验的 p 值为 0.0002，证明了结果的显著性。此外，在同一问题内，重复的轨迹价值证据能够比单纯依赖答案正确性做出更好的保留或删除选择。这些实验数据有力地支持了核心论点：答案正确性虽然具有信息量，但它并不决定轨迹价值。DHD 协议通过产生可复用的标签，使得系统能够学习何时应该倾听哪些智能体的输出，从而优化整体推理性能。 这项研究对开源社区和工业落地具有深远的行业意义。首先，它挑战了当前多智能体系统中普遍存在的"正确性偏见"，促使开发者重新思考信息过滤算法的设计。在工业应用中，这意味着系统可以利用 DHD 生成的标签来训练更智能的集成器，使其能够识别并利用那些看似错误但实则包含关键洞察的消息。这不仅提高了推理的鲁棒性，还可能发现人类专家容易忽略的潜在逻辑路径。对于后续研究而言，DHD 提供了一个标准化的测量框架，使得不同模型和任务之间的轨迹价值比较成为可能。此外，关于完整消息优势的未解之谜也为未来的研究提供了方向，例如探索消息中的哪些具体特征（如逻辑结构、约束表述）对轨迹价值贡献最大。总体而言，这项工作推动了多智能体系统从简单的答案聚合向更复杂的推理过程优化转变，为构建更智能、更高效的协作系统奠定了理论基础。