技术摘要：MAVEN（具备步骤内认知审计的多智能体验证 - 阐述网络）

1. 问题陈述

当前大语言模型（LLM）推理范式，如思维链（CoT）、思维树（ToT）和多智能体共识框架，往往依赖于单体或紧密耦合的生成与验证过程。尽管这些方法揭示了中间推理依据，但它们存在错误传播问题，即早期逻辑或事实错误在推理链中不受控制地级联扩散。此外，现有方法 frequently 缺乏中间验证关卡，允许逻辑缺陷的链条通过多数同意达成共识，从而掩盖潜在的事实错误。

作者认为，在高 stakes 领域（如法律审计、医疗诊断），正确性并不等同于可信度。基于不可靠逻辑得出的正确答案与显性幻觉同样危险。当前的评估范式在强制要求推理轨迹中的依据透明度和比较质量方面存在关键缺口，往往将推理视为不透明的潜在过程，而非可审计的多阶段审议过程。

2. 方法论：MAVEN 框架

MAVEN 是一种受黑板启发的、有状态的多智能体框架，旨在将 LLM 从直觉生成器转变为审慎的、可审计的推理者。它通过操作化怀疑者 - 研究者 - 法官的对抗循环，将逻辑辩护与事实基础解耦。

核心架构

系统利用共享的**黑板工作区（$W$）**作为“认知账本”，管理状态、主张、证据和司法痕迹。该框架分为两个主要阶段：

阶段 I：直觉引导的合成

此阶段解决“锚定”问题，防止模型漂移到幻觉轨迹中。

1. 专家直觉锚定：多个 FastProposer（快速提议者）智能体生成带有置信度分数的多样化直觉响应（$R$）。这些分数的高度分歧表明需要更深入的验证。
2. 基于基础的规划：Planner（规划者）智能体构建分层推理计划（$\pi$），该计划明确纳入基于 $R$ 中识别出的不确定性而设定的验证步骤。
3. 发散视角合成：MultiProposer（多提议者）智能体通过三种分析视角生成候选草稿：通用（系统性起草）、批判（风险质询）和以数据为中心（定量证据）。Synthesizer（综合者）将这些视角调和为初始草稿 $d^{(0)}$。

阶段 II：具备步骤内认知审计的对抗性审议

此阶段实施递归循环，草稿由四个功能解耦的智能体进行法医式审计：

1. 怀疑者（法医审查）：从四个维度批判当前草稿 $d^{(t)}$：事实验证、逻辑连贯性、因果审查和对抗性质疑。它生成一组验证问题（$Q_{ver}$）。
2. 响应者（内部辩护）：仅使用参数化知识（无外部检索）针对 $Q_{ver}$ 为 $d^{(t)}$ 辩护，迫使模型阐明其内部推理链并暴露潜在假设。
3. 研究者（参数化探测）：通过针对参数化知识验证 $Q_{ver}$ 中的主张来执行独立的事实核查。它将已验证的事实与响应者的内部辩护进行对比，并将已验证的主张和证据更新到持久的**知识缓存（$K$）**中。
4. 法官（裁决）：基于事实准确性、逻辑连贯性、完整性和中立性评估草稿。它发布裁决：
   • ACCEPT（接受）：定稿草稿以进行风格润色。
   • REJECT（拒绝）：触发针对性修订（$d^{(t+1)}$）。
   • REPLAN（重规划）：生成包含反馈的新计划 $\pi$，同时保留 $K$ 中已验证的事实。

鲁棒性机制

• 自适应路由：Router（路由）智能体估算推理复杂度（$h$）。$h \leq 2$ 的查询通过快速路径绕过完整循环，而复杂查询（$h > 2$）则激活完整的 MAVEN 管道。
• 结构完整性门控（SIG）：根据预定义模式（JSON/正则表达式/Markdown）验证智能体间通信，以确保工作区一致性。
• 认知持久性：知识缓存 $K$ 在重规划周期中持续存在，确保即使叙事结构重置，已验证的事实也能被保留。

3. 主要贡献

1. 解耦审议框架：作者引入了 MAVEN，这是一个新颖的多智能体框架，通过带有对抗循环的黑板架构，将结构化推理操作化为解耦的审议、验证和精炼过程。
2. 模块化验证平台：实现了一个集成特定角色智能体和离散验证关卡的平台，支持迭代错误修正，显著增强了生成解释的因果严谨性和信息密度。
3. 实证验证：大量实验表明，MAVEN 在保持竞争力准确性的同时实现了卓越的推理质量，在细粒度指标上相对于最先进基线取得了持续的提升。

4. 实验结果

该框架在 OpenBookQA (OBQA)、TruthfulQA (TQA)、HaluEval 和 StrategyQA (SQA) 上进行了评估，使用 DeepSeek-V3.2 作为骨干模型。

• 性能指标：作者提出了四个细粒度指标：
  • JCD：依据合理性与因果深度。
  • F&C：事实准确性与情境化。
  • C&A：完整性与比较分析。
  • ARS：论证丰富性与结构。
• 基准测试结果：
  • MAVEN 在所有四个基准测试中均取得了 JCD、C&A 和 ARS 的最佳分数。
  • 它在 OBQA、HaluEval 和 SQA 上取得了最佳的 F&C 分数，在 TQA 上具有竞争力（90.90 对比 Gemini-3.1-Pro 的 91.37）。
  • 虽然准确性（Acc）略低于一些顶级闭源模型（例如 OBQA 上为 96.33 对比 98.00），但 MAVEN 在推理严谨性和依据质量方面显著优于它们。
• 消融研究：移除迭代审议循环（$T_{max}=1$）导致准确性和依据质量出现最显著的下降，证实该循环是性能的主要驱动因素。
• 泛化性：MAVEN 是模型无关的。当应用于不同的骨干模型（GPT-5.1、GPT-4o-mini、Qwen3-8B）时，它一致地提高了准确性和依据质量，特别是在轻量级和开源模型的推理质量方面取得了显著提升。
• 效率：自适应路由机制通过将简单查询路由至快速路径而不损害推理质量，将总挂钟时间减少了 43.5%，将 token 消耗减少了 43.9%。

5. 意义与主张

论文声称，MAVEN 代表了从黑盒推理向可审计的多阶段审议过程的转变。其主要意义在于：

• 认知信任：通过强制实施离散的验证关卡并将生成与验证分离，MAVEN 提供了对安全关键领域至关重要的“法医可验证性”。
• 缓解幻觉漂移：该框架通过将参数化探测与叙事合成隔离，并将已验证的事实保留在持久缓存中，防止了错误的累积。
• 保守审议：作者承认，MAVEN 的“高度警惕”怀疑者可能会偶尔触发过度修正，导致在简单查询上的原始准确性分数略低于大型模型。然而，他们辩称这是对谨慎验证而非未经证实的承诺的刻意架构偏好，这使得生成的推理轨迹对于高 stakes 应用更具可解释性和可靠性。

该工作得出结论，尽管存在计算开销，但这种权衡带来了 AI 推理在结构严谨性和逻辑连贯性方面的实质性改进，提供了一种可迁移的“推理加速器”，增强了多样化 LLM 骨干的可靠性。