本文介绍了一项发表于 arXiv 的新研究，题为《多模型 AI 系统中的涌现式协作审议：一种源自拜占庭容错的认知综合协议》。论文作者为 VD Doske，于 2026 年 3 月 26 日提交，属于 cs.AI 领域，全文 32 页、含 7 幅图。研究提出了名为 Consilium Protocol 的架构，其核心思想源自拜占庭容错（BFT）机制，用于组织多个语言模型之间的结构化审议，并把模型之间的分歧视为一种认识论信号，而非需要消除的错误。
该协议的一个关键设计，是把“模型是什么”与“模型如何推理”区分开来：系统为语言模型分配经过设计的认知人格（cognitive persona），由人格而非底层模型决定其推理行为。研究还引入了一套源自量化金融的样本内／样本外（In-Sample/Out-of-Sample）验证框架，用来区分训练数据中形成的共识与真正有实证依据的结论。
实验覆盖 10 个领域类别下的 32 个主题，共进行 1,478 次审议会话，得到四项主要发现。第一，决定认识论行为的是认知人格而非底层模型：每批成本仅 0.0002 美元的免费边缘推理模型，其分析产出可与每批成本 10.69 美元的前沿模型相媲美。第二，RLHF 对齐训练会造成可测量且具有领域特异性的认识论盲点——在有争议的政策议题上，对抗性挑战比已成定论的科学议题少 12.3 个百分点；在 AI 安全议题上则呈现 11.6% 的不对称偏差，模型对“AI 是危险的”这一主张的质疑，明显强于对“AI 风险被夸大”这一主张的质疑。第三，协议本身并未表现出方向性偏差，例如在移民议题上偏差为 2.3%，在可再生能源议题上为 1.2%。第四，样本外证据检索验证了 239 项主张，证据检索成功率达 100%，并发现了 167 个训练数据审议无法察觉的盲点。
在可复现性方面，随机化“模型×人格”分配后的多次运行结果，其标准差平均为 ±2.2%。整套实验电池包含全部开销的总成本为 217 美元。作者以 MIT 许可证发布协议规范，以便他人独立验证。论文还提供了 DOI 及 Zenodo 关联资源链接，并附有完整的提交历史信息。