arXiv cs.AI· Xin Heng·· 2 天前AI 评分47
多智能体协作的全局一致性：当每个 Agent 都对、团队却错了
Global Coherence: When Every Agent Is Right and the Team Is Still Wrong - A Local-to-Global Semantic Foundation for Multi-Agent Collaboration
AI 导读
论文提出"全局一致性"问题：AI 智能体各自做出局部有效决策，联合结果却无效，根源是共享状态缺失而非智能不足。其 Observation-Aliasing Impossibility Theorem 给出精确边界——若 k 个不可区分世界需要两两不相交的动作，随机化最坏情况成功率上限为 1/k，更多推理、角色、消息或采样都无法弥补。
正文 · AI 翻译
摘要：AI 智能体各自可以做出局部有效的决策，却共同产生无效的结果。我们称此为全局一致性问题：这是共享状态的失败，而不仅仅是智能的失败。我们的观测混叠不可能性定理给出了精确边界。当所有产生相同观测的世界都共享一个可采纳动作时，策略才能保证一个有效动作。如果 k 个不可区分的世界需要两两不相交的动作，那么最佳随机化最坏情况成功率为 1/k；更多的推理、角色、消息或样本都无法恢复缺失的区分。更强的模型可以在其上下文内更好地推理，但无法看到上下文之外。找到最小充分上下文是 NP 难的，然而反例引导的精化可以找到一个充分上下文，并在规则变化时重新认证它。我们给出局部到全局的运行时语义 X = (H, C, G, F; D)：拓扑 H 记录重叠的作用域；范畴 C 支配改变状态的动作；群胚 G 保留可逆转换；层 F 检验局部视图能否粘合成一个世界；历史 D 只保留改变合法未来的内容。当状态被拆分、转换或改变时，每一个都保留所需的信息。模型提出建议；执行框架拥有共享状态并支配提交。十项研究检验了这一边界。在一个修订基准上，前沿模型在决定事件可见时得分为 40/40；隐藏时，每个分支都与随机概率一致（1/3）；恢复一个事实后回到 40/40。在 TeamBench 上，普通团队在 5/5 次运行中超出共享预算，可见的实时计数使其降至 4/5，提交强制执行使其降至 0/5。在 tau2-bench Telecom 中，静默回滚后当前状态检查得分为 0.07；执行框架得分为 1.00。精化在规则变化中保持充分上下文，成本为全字段成本的 28%。已经拥有状态的求解器与之打平，正如预测的那样。局部智能无法替代缺失的全局状态。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.02036 [cs.AI] |
| （或 arXiv:2610.02036v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.02036 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Xin Heng [查看电子邮件]
[v1]
2026 年 10 月 1 日星期四 16:49:40 UTC（96 KB）
[v2]
2026 年 10 月 15 日星期四 01:36:37 UTC（69 KB）
来源：arXiv cs.AI · arxiv.org