CHAL：分層代理人語言理事會
多智能體辯論在提升大語言模型推理方面存在結構侷限。CHAL框架將辯論視為可廢止領域中的信念優化引擎，採用圖結構信念表示與梯度驅動的動態機制，並引入認知價值系統作為超參數。實驗表明該方法在可解釋性和通用性上具有優勢。
近日，一篇發表在arXiv上的論文提出了CHAL（Council of Hierarchical Agentic Language）框架，旨在重新定義多智能體辯論的價值。研究團隊指出，當前多智能體辯論方法在提升大語言模型推理方面存在結構性侷限：辯論過程往往導致信念軌跡的鞅性質，多數投票解釋了大部分觀察到的改進，而模型跨輪次的置信度持續攀升而非校準。他們認為，辯論的真正價值不在於事實性任務，而在於可廢止領域——其中任何立場原則上都可能被更優的推理擊敗。
CHAL將可廢止論證視為信念優化的引擎。每個智能體維護一個CHAL信念模式，這是一種圖結構信念表示，採用貝葉斯啓發式架構，通過梯度驅動的動態機制實現信念修正，利用信念論點的強度作為可微分目標。研究還將認識論、邏輯和倫理等元認知價值系統提升為可配置超參數，以控制智能體推理和裁決結果。
一系列消融實驗展示了系統性且可解釋的效果：裁決者的價值系統決定了信念潛空間中的辯論整體軌跡；理事會的多樣性改進了所有參與者的信念；該框架能泛化至廣泛領域。據作者稱，CHAL是首個將多智能體辯論視為可廢止領域結構化信念優化的框架。此外，其產生的可審計信念工件為可廢止論證的專用評估套件奠定了基礎，對構建推理和價值承諾透明、對齊且可受人類監督的AI系統具有深遠影響。
該框架的核心創新在於將辯論從簡單的投票機制提升為一種動態的信念優化過程。每個智能體不僅表達立場，還通過梯度和圖結構不斷修正自身的信念。元認知價值系統的引入使得辯論過程可以受人類價值觀引導，例如強調邏輯一致性或倫理考量。實驗結果表明，不同的價值系統配置會導致截然不同的辯論軌跡，從而影響最終共識的形成。
CHAL框架的另一個重要特點是其可審計性。所有信念更新和裁決過程都記錄在可追溯的工件中，這使得研究者能夠事後分析辯論的推理路徑，識別偏差或錯誤。這對於構建可信賴的AI系統至關重要，尤其是在醫療、法律等高風險領域。
總體而言，CHAL為多智能體辯論提供了一種全新的理論框架，將焦點從事實性任務轉移到需要深入推理和價值觀權衡的場景。未來的工作可能包括擴展到更多智能體、優化計算效率，以及在實際應用中驗證其有效性。該論文由Tommaso Giovannelli和Griffin D. Kent於2026年5月12日提交至arXiv，編號2605.12718。