arXiv cs.CL· Haocheng Jiang, Herun Wan, Yongyuan Peng, Minnan Luo·· 11 小时前AI 评分31
RIVER：量化多智能体 LLM 交互中的声明级信息动态
Beyond Final Outcomes: Quantifying Claim-Level Information Dynamics in Multi-Agent LLM Interaction
AI 导读
研究者提出 RIVER 框架，将智能体输出拆解为原子声明，从收敛、探索、保留三个维度评估多智能体 LLM 交互中的信息动态。在 40 个受控新闻生成案例上测试五种交互策略发现，反复池化式交互提升收敛但收窄信息空间，分布式接力则带来更广但共享更少的信息。方法特定约束会提升探索，却削弱收敛与保留。
正文 · AI 翻译
摘要：当由 LLM 驱动的智能体进行交互时，信息会被反复共享、扩展和遗忘，然而多智能体评估通常只关注最终任务结果。我们将此类交互作为声明层面的信息动态来研究，并提出 RIVER，它将智能体输出分解为原子声明，并评估三个互补维度：收敛性、探索性和保留性。收敛性捕捉跨智能体的声明对应关系与立场一致性；探索性捕捉语义广度及对源信息的延伸；保留性追踪源信息的保持情况以及新声明在各阶段和谱系中的持续存在。我们在 40 个受控新闻生成案例上评估了五种交互策略。反复汇聚式交互会促进收敛，但会收窄信息空间，而分布式接力则产生更广泛、共享程度更低的信息。进一步比较表明，方法特定的约束会增加探索性，同时削弱收敛性和保留性。我们的发现表明，集体信息动态更适合用底层的信息流机制来解释，而非简单的下游性能。
| 评论： | 23 页，3 幅图。代码和数据：此 https URL |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.32333 [cs.CL] |
| （或 arXiv:2610.32333v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32333 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Haocheng Jiang [查看邮箱]
[v1]
2026 年 10 月 23 日星期五 08:28:47 UTC（328 KB）
来源：arXiv cs.CL · arxiv.org