多智能体协同能否通过交叉验证降低幻觉？

1. 多智能体辩论框架

清华大学等单位提出的多智能体辩论框架，让三个 AI 共同讨论问题，相互质疑、交叉验证，筛选出最可靠的结论。阿里 Qwen 应用业务团队与香港中文大学（深圳）联合提出的 MARCH 框架采用三智能体协作机制——解题者生成响应、分解者原子化拆解、检查者在"信息隔离舱"内盲审，通过多智能体强化学习联合优化，仅用文档训练的 8B 参数模型经 MARCH 优化后幻觉率大幅降低，达到与顶级闭源模型相当的水平。

2. 对抗性辩论与投票机制

多智能体系统中的对抗性辩论让不同角色的 AI（如"乐观派""悲观派""数据专家"）围绕问题展开多轮讨论，互相挑刺暴露逻辑漏洞。哈工大和鹏城实验室的 PSRD 框架专门对付视觉幻觉，通过"侦查-投影"策略将 AI 描述中"无中生有"的物体比例从 46.3% 降至 10.1%。投票式方法让多个 AI 独立回答后采用多数决，利用群体的统计优势提升准确性。

3. 评审式多智能体架构

模拟出版社"三审三校"流程，让 AI 依次扮演初审、复审、终审角色。据报道，达观数据在金融、能源等严苛场景下采用类似的评审式多智能体架构，将关键任务错误率控制在极低水平。阿里的通义千问上线"引证"功能后，对新闻、政策类问题逐字核对信源，可信内容标记为绿色，存疑内容标红提示，事实类问题的可信度显著提升。

4. 局限性与注意事项

多智能体并非万能。研究表明其性能提升很大程度上依赖于初始独立投票的统计优势，而非辩论过程中的自我修正。如果一群 AI 的"初始偏见"都一样，它们也可能在辩论中集体跑偏。此外，多智能体方案的计算成本显著高于单模型方案，需要在精度和效率之间权衡。