最近的研究表明，单一的大语言模型（LLM）在做出生死攸关的资源分配决策时会表现出可衡量的偏见。然而，在实际部署中，很少使用单一智能体：它们使用管道，具有审查步骤，旨在捕获这种类型的失败。我们研究了当相同的决策分布在具有角色差异的多智能体管道（评估、分配、独立审计）中而不是由单一模型完成时，偏见会发生什么变化。使用具有配对案例的合成灾难分诊模拟器（除了一个人口统计属性外，案例是临床相同的），我们在 GPT-4o-mini 上运行了 192 个情景（2,304 个已解决的案例对），将单智能体控制条件与九智能体管道进行比较，在三个独立变化的压力维度下。我们发现两个条件之间偏见结果出现的频率没有可衡量的差异（6.9% vs. 6.1%，p = 0.498）。我们发现审计容量对偏见是否被捕获有很大且显著的影响：30.0% 的偏见结果完全未被检测到，当审计员过载时上升到 43.8%，当审计员没有过载时下降到 18.4%。分解这个效果显示，它几乎完全由覆盖范围驱动（是否审查案例，哪个在负载下从 100.0% 收缩到 65.6%，p < 0.001）。博主点评： 这项研究表明，使用多智能体管道可能无法减少偏见，审计容量对偏见的检测至关重要。因此，需要进一步研究如何优化审计过程以减少偏见。