UMAS多智能体系统级不确定性量化框架发布

Hanwen Li 等研究者提出并开源了 UMAS，一个面向多智能体大语言模型系统的无参数、推理成本中立的系统级不确定性量化框架，论文已被 NeurIPS 2026 接收。 该方法通过每代生成的内在置信度估计智能体间影响的可信度，并将节点级不确定性聚合为系统级估计。作者称，在 Debate 和 DyLAN 设置的多项基准上，UMAS 平均比 SOTA 基线高出 10.54 AUROC 点，并支持幻觉检测与不确定性感知的答案选择，特定任务准确率最高提升 12.6 点。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。