多代理大语言模型（LLM）系统在临床任务上往往表现更好，很多人把性能提升等同于系统更可信。但临床决策依赖的是完整的推理过程，而不仅是最终结论。因此，需要在系统生成的推理中评估幻觉，而不仅仅是答案。我们对四种系统（单模型基线和三种多代理拓扑）在四个模型、三项临床任务上进行实验，使用事实性和忠实性两维的幻觉分类法，对每个系统的推理过程进行打分，并与任务指标一起报告。实验结果显示，协作能够提升任务表现，但并未系统性降低幻觉；不同拓扑之间也没有可靠的优劣差异。影响幻觉变化的关键是模型本身，而非拓扑或代理数量。在 $36$ 次模型‑系统‑任务组合中，只有 $12$ 次差异显著，其中 $4$ 次幻觉下降，$8$ 次幻觉上升，且没有任何模型在两方面同时出现。自我纠错实验进一步验证：在展示自身标记的错误后，除 Llama-3.2-3B-Instruct 外，所有模型的幻觉均有所降低；而 Llama-3.2-3B-Instruct 的幻觉不仅未降低，反而被放大。由此可见，协作只是重新分配模型已有的能力，并不能弥补模型本身的不足。
点评