在临床实践中，独立专家之间的一致被视为可靠的证据，多轮共识已成为医学问答系统的核心机制。当系统需要判断是否信任自己的答案时，常用的信号仍是答案之间的一致性。然而，一致性并非正确性的可靠代理。系统可能出现全体错误的情况，即所有抽样都给出相同的错误答案，此时基于一致性的信号无法提供信息。根本原因在于这些信号只观察共识的最终状态，忽略了形成过程。通过证据解决分歧得到的一致，与从一开始就共享同一误解而产生的一致，在最终结果上是相同的。ProbeGuard 是一种认证回避框架，它依据共识形成的过程来决定是否回避。框架追踪一致性轨迹、少数派持续性和检索饱和度。对于全体一致的投票，使用理由语义熵检查投票背后的理由是否一致，并通过主动探针检索反证据，评估共识是否仍然稳固。随后，分层的 Learn‑then‑Test 校准将这些分数转化为分布无关的选择风险上界。我们在三个医学 QA 基准和一个硬前沿参考上，使用已发布的多轮 RAG 子系统，对比六种回避基线进行评估。结果显示，在 MedQA 上，13.4% 的全体一致投票是错误的，且没有任何基于一致性的信号能够标记它们。过程信号将正确与错误共识的区分从随机提升至 0.696 的 AUROC。认证规则在观察到的选择风险为 9.0% 时，能够回答六成的全体一致层问题；当域内校准数据累积后，正确率提升至九成。
点评