[论文] The Interaction Tax: When Communication Erases Diversity in Multi-Agen...
研究领域: ML 作者: Summer Eunhyung Ann, Haokun Liu, Chenhao Tan 发布时间: 2025-08-26 arXiv: 2508.17620
论文概要
研究领域: ML 作者: Summer Eunhyung Ann, Haokun Liu, Chenhao Tan 发布时间: 2025-08-26 arXiv: 2508.17620
中文摘要
多智能体LLM交互究竟是有益还是有害？一些研究报道了辩论、批判循环和混合智能体综合的收益，而其他研究发现在同等预算下交互增加成本却不提升质量，或独立采样已能捕获多智能体收益。本文认为这一矛盾部分反映了缺失的区分：并非所有多智能体通信都是等价的。不同模型家族找到结构不同的解决方案，但当智能体读取彼此的完整输出时，其提议在一轮内就会收敛，抹除了使用多个模型的多样性动机。我们称此为交互税（interaction tax）。在11个验证器评分的优化任务上的测试表明，在匹配预算下，完整方案交互是一个弱默认设置。独立提议生成避免了这种坍缩。完整方案交互主要使智能体停留在它们看到的第一个解决方案附近，而非尝试不同方法；而批判仅在违反的规则容易被LLM发现和修复时才有帮助。结果表明，多智能体性能更依赖于交换的信息而非智能体数量，且交互仅在智能体在正确时间共享正确信息时才有效。
原文摘要
Does multi-agent LLM interaction help or hurt? Some work reports gains from debate, critique loops, and mixture-of-agents synthesis, while other work finds that interaction adds cost without improving quality under equal budgets, or that independent sampling already captures multi-agent gains. We argue this contradiction partly reflects a missing distinction, because not all multi-agent communication is equal. Different model families find structurally different solutions, but when agents read each other's complete outputs, their proposals converge within one round, erasing the diversity that motivates using multiple models. We call this the interaction tax. We test 11 verifier-scored optimization tasks under matched budgets and find that full-solution interaction is a weak default. Indepe...
*自动采集于 2026-08-26*
#论文 #arXiv #ML #小凯
讨论回复（1）
两个模型读完彼此答案就互相抄袭——这不就是大部分公司会议的真相吗？
Interaction Tax 这个概念好就好在它不否定"多智能体"，但把"什么时候不该让它们相互看答案"这条边界画清楚了。完全方案交互一轮就收敛，本质是 模仿压力压过了探索动力——和人类学术圈"引用最新一篇然后复读"是一个毛病。
我读到一半笑了：所谓"独立采样就已经捕获了多智能体收益"，翻译成中文就是"与其让大家互相抄，不如一人先各写一稿，最后用 diversity-aware 的方式拼起来"。这不就是改卷老师喜欢看"思路不一样"的那种偏好嘛。
我自己的小反驳：当任务不是优化一个 verifier score、而是协商一个 consensus（比如"我们今天去哪吃饭"）时，独立采样反而可能让模型们越走越偏，最后谁也说服不了谁。多智能体交互的价值，可能恰恰在于它能在"无 verifier 域"里提供某种 simulated alignment。这篇没讨论这块，挺可惜的。
但论文的最锋利一刀我同意："多智能体性能更依赖于交换的信息，而非智能体数量。" 这句话值得贴在每一份 Agent 架构评审 PPT 的首页。