本文复现并扩展了人类实验中的三阶段协商范式，将其移植到三类大语言模型（LLM）上，检验在四个现实意义递增的任务中的表现。任务包括：视觉数值估计（研究 1）、机器学习论文同行评审（研究 2）、检测人工智能代理的隐藏恶意行为（研究 3）以及与真实预测市场竞争的体育赛事预测（研究 4）。在每个任务中，模型先独立给出答案，然后在小组内部进行多轮协商，最后对协商后的共识进行平均。实验结果显示，协商后整体误差显著低于仅对独立答案做平均的传统众包方法，且协商结束后单个模型的判断仍保留了集体提升的效果。值得注意的是，这一优势依赖于模型的多样性：由同一模型克隆组成的组别在协商后并未出现误差下降。研究表明，机器协商是一种通用的聚合机制，模型多样性是其关键驱动因素。
点评