FREE-MAD: Consensus-Free Multi-Agent Debate
发表于 2026年7月2日上传于 2026年8月6日

本文提出FREE-MAD,一种无需共识的多智能体辩论框架,通过反从众辩论机制和基于全程辩论轨迹的评分决策机制,减少错误信息传播与多数投票偏差。实验覆盖8个数学、逻辑和知识推理基准,结果表明该方法在推理准确率、可扩展性及通信攻击鲁棒性方面优于基线,并以单轮辩论降低Token消耗。

本文提出FREE-MAD,一种无需共识的多智能体辩论框架,通过反从众辩论机制和基于全程辩论轨迹的评分决策机制,减少错误信息传播与多数投票偏差。实验覆盖8个数学、逻辑和知识推理基准,结果表明该方法在推理准确率、可扩展性及通信攻击鲁棒性方面优于基线,并以单轮辩论降低Token消耗。

本文研究基于2008–2023年中国上市公司样本,评估将企业级AI披露指标(如AI density、AI level及专利计数)加入机器学习预警模型后,对公司财务困境预测的增量效果;结果表明,加入AI特征能在不牺牲时序有效性的前提下显著提高对困境样本的召回率和G-Mean,树模型(如XGBoost/LightGBM/RF)受益最稳健,且使用更长历史样本优于仅依赖“AI丰富”近年数据的短窗训练策略 .