单智能体与多智能体 LLM 在金融审查任务上的对比研究：越多越好吗？

一项 arXiv 研究在信贷评估备忘录审查任务上对比了单智能体与三智能体团队两种 LLM 设置，测试覆盖 300 份合成备忘录和四个模型。结果显示，多智能体团队在三个模型上多发现 0.08 至 0.10 的带解释缺陷，但在全部四个模型上产生更多误报，且消耗 2.2 至 2.4 倍的 token，平衡准确率变化不超过 0.02；单智能体采样三次任一命中-flag 的方式在平衡准确率上优于团队方案。