技術的概要：MAVEN（ステップ内認識監査を備えたマルチエージェント検証・詳細化ネットワーク）

1. 問題定義

Chain-of-Thought（CoT）、Tree-of-Thoughts（ToT）、マルチエージェント合意フレームワークなどの大規模言語モデル（LLM）推論の現在のパラダイムは、しばしば単一モジュール的、あるいは緊密に結合された生成と検証プロセスに依存している。これらの手法は中間的な根拠を露呈させるものの、誤りの伝播に悩まされている。すなわち、初期の論理的または事実上の誤りが、推論連鎖を通じて制御されずに連鎖的に拡大する。さらに、既存のアプローチは頻繁に中間検証ゲートを欠いており、論理的に欠陥のある連鎖が多数決による合意に達することで、潜在的な事実誤りを隠蔽してしまう。

著者らは、高リスク領域（法務監査、医療診断など）において、正しさが信頼性とイコールではないと主張する。健全でない論理から導き出された正解は、明示的な幻覚と同様に危険である。現在の評価パラダイムは、推論軌道全体における正当化の透明性と比較品質の強制において決定的な欠陥を示しており、推論を監査可能な多段階の審議ではなく、不透明な潜在プロセスとして扱う傾向がある。

2. 手法：MAVEN フレームワーク

MAVEN は、LLM を直感的な生成器から、意図的かつ監査可能な推論者へと変容させるために設計された、黒板に着想を得た状態保持型マルチエージェントフレームワークである。これは、論理的防衛と事実的基盤を分離するために、懐疑論者・研究者・裁判官の対立ループを運用化する。

中核アーキテクチャ

本システムは、状態、主張、証拠、司法的痕跡を管理する「認知台帳」として機能する共有**黒板ワークスペース（$W$）**を利用する。フレームワークは主に 2 つのフェーズに分割される。

フェーズ I：直感誘導合成

このフェーズは、モデルが幻覚的な軌道に逸脱するのを防ぐ「アンカーリング」問題に対処する。

1. 専門家の直感アンカーリング: 複数の FastProposer エージェントが、信頼性スコア付きの多様な直感的回答（$R$）を生成する。これらのスコアに大きな乖離がある場合、より深い検証が必要であることを示す。
2. 基盤化計画: Planner エージェントが、$R$ において特定された不確実性に基づき検証ステップを明示的に組み込んだ階層的推論計画（$\pi$）を構築する。
3. 多角的視点合成: MultiProposer エージェントが、一般（体系的ドラフト作成）、批判的（リスク検証）、データ中心（定量的証拠）という 3 つの分析レンズを通じて候補ドラフトを生成する。Synthesizer がこれらの視点を統合し、初期ドラフト $d^{(0)}$ を作成する。

フェーズ II：ステップ内認識監査を伴う対立的審議

このフェーズは、ドラフトが機能的に分離された 4 つのエージェントによる法医学的監査を受ける再帰的ループを実装する。

1. 懐疑論者（法医学的精査）: 現在のドラフト $d^{(t)}$ を 4 つの次元（事実検証、論理的整合性、因果的精査、対立的質問）にわたって批判する。検証質問セット（$Q_{ver}$）を生成する。
2. 応答者（内部防衛）: パラメトリック知識のみ（外部検索なし）を用いて $Q_{ver}$ に対して $d^{(t)}$ を正当化する。これにより、モデルは内部推論連鎖を明確に述べることを強制され、潜在的な仮定が露呈する。
3. 研究者（パラメトリック探査）: 主張をパラメトリック知識に対して検証することで、独立した事実確認を行う。検証済みの事実を応答者の内部防衛と比較し、検証済みの主張と証拠を永続的な**知識キャッシュ（$K$）**に更新する。
4. 裁判官（審判）: 事実の正確性、論理的整合性、完全性、中立性に基づいてドラフトを評価する。以下の判決を下す。
   • ACCEPT: ドラフトを最終化し、スタイルの洗練を行う。
   • REJECT: 対象を絞った修正（$d^{(t+1)}$）をトリガーする。
   • REPLAN: 検証済みの事実を $K$ に保持しつつ、フィードバックを組み込んだ新しい計画 $\pi$ を生成する。

頑健性メカニズム

• 適応的ルーティング: Router エージェントが推論の複雑さ（$h$）を推定する。$h \leq 2$ のクエリは、推論品質を損なうことなくファストパスを介して完全ループをバイパスし、複雑なクエリ（$h > 2$）は完全な MAVEN パイプラインを起動する。
• 構造的完全性ゲート（SIG）: 定義済みスキーマ（JSON/Regex/Markdown）に対してエージェント間通信を検証し、ワークスペースの整合性を確保する。
• 認識的永続性: 知識キャッシュ $K$ は再計画サイクル全体にわたって保持され、物語構造がリセットされても検証済みの事実が保持されることを保証する。

3. 主要な貢献

1. 分離された審議フレームワーク: 著者らは MAVEN を導入した。これは、対立ループを備えた黒板アーキテクチャを通じて、審議、検証、洗練という分離されたプロセスとして構造化された推論を運用化する新しいマルチエージェントフレームワークである。
2. モジュール型検証プラットフォーム: 役割固有のエージェントと離散的な検証ゲートを統合したプラットフォームの実装。これにより反復的な誤り修正が可能となり、生成される説明の因果的厳密性と情報密度が大幅に向上する。
3. 実証的検証: 広範な実験により、MAVEN が競争力のある精度を維持しつつ、優れた推論品質を達成し、最先端のベースラインに対して微細な指標で一貫した改善をもたらすことが示された。

4. 実験結果

本フレームワークは、DeepSeek-V3.2をバックボーンとして、OpenBookQA (OBQA)、TruthfulQA (TQA)、HaluEval、StrategyQA (SQA) 上で評価された。

• 性能指標: 著者らは 4 つの微細な指標を提案する。
  • JCD: 正当化の妥当性と因果的深さ。
  • F&C: 事実の正確性と文脈化。
  • C&A: 完全性と比較分析。
  • ARS: 論証の豊かさと構造。
• ベンチマーク結果:
  • MAVEN は 4 つのすべてのベンチマークにおいて、JCD、C&A、ARS で最高スコアを達成した。
  • OBQA、HaluEval、SQA においてF&C で最高を達成し、TQA でも競合する結果（Gemini-3.1-Pro の 91.37 に対し 90.90）を示した。
  • 精度（Acc）は一部のトップティアのクローズドソースモデル（例：OBQA で 96.33 対 98.00）よりわずかに低かったが、MAVEN は推論の厳密性と正当化の品質においてそれらを大幅に上回った。
• アブレーション研究: 反復的審議ループを除去（$T_{max}=1$）すると、精度と正当化の品質の両方で最も顕著な劣化が生じ、ループが性能の支配的な要因であることが確認された。
• 汎用性: MAVEN はモデル非依存である。多様なバックボーン（GPT-5.1、GPT-4o-mini、Qwen3-8B）に適用した場合、精度と正当化の品質の両方が一貫して向上し、軽量モデルやオープンソースモデルにおいて推論品質の改善が特に顕著であった。
• 効率性: 適応的ルーティングメカニズムにより、単純なクエリをファストパスでルーティングすることで、推論品質を損なうことなく、総ウォールクロック時間を43.5%、トークン消費量を**43.9%**削減した。

5. 意義と主張

本論文は、MAVEN がブラックボックス推論から監査可能な多段階審議プロセスへの転換を表すと主張する。その主な意義は以下の点にある。

• 認識的信頼: 離散的な検証ゲートを強制し、生成と検証を分離することで、MAVEN は安全クリティカルな領域に不可欠な「法医学的検証可能性」を提供する。
• 幻覚ドリフトの緩和: パラメトリック探査を物語的合成から分離し、検証済みの事実を永続的キャッシュに保持することで、エラーの蓄積を防ぐ。
• 保守的審議: 著者らは、MAVEN の「過剰警戒的」な懐疑論者が、単純なクエリにおいて巨大モデルと比較してわずかに低い生精度スコアを引き起こす過剰修正を時折引き起こす可能性を認めている。しかし、彼らはこれを、未検証のコミットメントよりも慎重な検証を優先する意図的なアーキテクチャ上の選択であると主張しており、これにより生成される推論軌道は、高リスクアプリケーションにとってより解釈可能で信頼性が高くなる。

本研究は、計算オーバーヘッドが存在するものの、そのトレードオフが AI 推論の構造的厳密性と論理的整合性において実質的な改善をもたらすと結論づけている。これは、多様な LLM バックボーンの信頼性を高める転送可能な「推論ブースター」を提供するものである。