CHAL：分层代理人语言理事会
多智能体辩论在提升大语言模型推理方面存在结构局限。CHAL框架将辩论视为可废止领域中的信念优化引擎，采用图结构信念表示与梯度驱动的动态机制，并引入认知价值系统作为超参数。实验表明该方法在可解释性和通用性上具有优势。
近日，一篇发表在arXiv上的论文提出了CHAL（Council of Hierarchical Agentic Language）框架，旨在重新定义多智能体辩论的价值。研究团队指出，当前多智能体辩论方法在提升大语言模型推理方面存在结构性局限：辩论过程往往导致信念轨迹的鞅性质，多数投票解释了大部分观察到的改进，而模型跨轮次的置信度持续攀升而非校准。他们认为，辩论的真正价值不在于事实性任务，而在于可废止领域——其中任何立场原则上都可能被更优的推理击败。
CHAL将可废止论证视为信念优化的引擎。每个智能体维护一个CHAL信念模式，这是一种图结构信念表示，采用贝叶斯启发式架构，通过梯度驱动的动态机制实现信念修正，利用信念论点的强度作为可微分目标。研究还将认识论、逻辑和伦理等元认知价值系统提升为可配置超参数，以控制智能体推理和裁决结果。
一系列消融实验展示了系统性且可解释的效果：裁决者的价值系统决定了信念潜空间中的辩论整体轨迹；理事会的多样性改进了所有参与者的信念；该框架能泛化至广泛领域。据作者称，CHAL是首个将多智能体辩论视为可废止领域结构化信念优化的框架。此外，其产生的可审计信念工件为可废止论证的专用评估套件奠定了基础，对构建推理和价值承诺透明、对齐且可受人类监督的AI系统具有深远影响。
该框架的核心创新在于将辩论从简单的投票机制提升为一种动态的信念优化过程。每个智能体不仅表达立场，还通过梯度和图结构不断修正自身的信念。元认知价值系统的引入使得辩论过程可以受人类价值观引导，例如强调逻辑一致性或伦理考量。实验结果表明，不同的价值系统配置会导致截然不同的辩论轨迹，从而影响最终共识的形成。
CHAL框架的另一个重要特点是其可审计性。所有信念更新和裁决过程都记录在可追溯的工件中，这使得研究者能够事后分析辩论的推理路径，识别偏差或错误。这对于构建可信赖的AI系统至关重要，尤其是在医疗、法律等高风险领域。
总体而言，CHAL为多智能体辩论提供了一种全新的理论框架，将焦点从事实性任务转移到需要深入推理和价值观权衡的场景。未来的工作可能包括扩展到更多智能体、优化计算效率，以及在实际应用中验证其有效性。该论文由Tommaso Giovannelli和Griffin D. Kent于2026年5月12日提交至arXiv，编号2605.12718。