arXiv cs.AI· Riccardo Riccio, Haitz S\'aez de Oc\'ariz Borde, Pietro Li\`o·· 10 小时前AI 评分31
面向医疗多智能体推理的挑战感知知识招募与 Meta-Agent 监督
Challenge-Aware Knowledge Recruitment with Meta-Agent Supervision for Medical Multi-Agent Reasoning
AI 导读
研究者提出挑战感知自适应招募方法，由外部 CHALLENGER 检查推理轨迹并识别事实或专业缺口，触发针对性知识检索或讨论中途招募专家。
正文 · AI 翻译
摘要：大型语言模型在标准医学问答上表现强劲，但在更难的推理任务上性能下降，此时多智能体辩论往往无法胜过强单模型提示。我们认为，一个关键局限在于现有系统仅根据问题本身来选择专家和检索知识，而不是根据推理过程中出现的缺口。我们提出挑战感知的自适应招募：一个外部 CHALLENGER 检查不断演化的推理轨迹，并识别具体的事实或专业缺口。这些信号触发有针对性的知识检索或讨论中途的专家招募。在 MEDAGENTSBENCH 困难子集（九个生物医学数据集共 862 个问题）上，预先检索几乎没有收益，而挑战感知的中间检索表现更好；在多专家骨干上，它在 9 个数据集中的 8 个上提高了准确率，并比仅 Challenger 高出 6 个百分点。消融实验表明检索时机和缺口特定查询信号都带来收益，一项实时网络搜索实验显示时机优势在不同检索后端上持续存在。对于专家招募，自触发自适应不可靠，而 Challenger 触发的招募将 GPT-4.1-mini 的 MedQA 准确率从 46% 提升到 54%，在所有测试的泛化数据集上方向均为正向。简单地将检索和专家招募结合会降低性能，凸显了协调自适应干预渠道的必要性。这些结果表明，何时以及为何招募外部资源是多智能体医学推理中的一个关键设计选择。
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.05393 [cs.AI] |
| （或 arXiv:2611.05393v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2611.05393 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Haitz Sáez de Ocáriz Borde [查看电子邮件]
[v1]
2026年9月14日星期一 16:36:04 UTC（29 KB）
来源：arXiv cs.AI · arxiv.org