LLM-debatten er fragmentert, men et nytt rammeverk gir håp

Forskere har kartlagt tilnærminger til det de kaller Multi-Agent Debate (MAD), et paradigme der flere AI-agenter utveksler argumenter, kritiserer hverandres utdata og gradvis nærmer seg en løsning. Målet er å forbedre nøyaktigheten og robustheten til systemer basert på store språkmodeller (LLM). En gjennomgang av 141 studier viser at feltet er fragmentert, med inkonsekvent terminologi og manglende systematisk tilnærming til MAD-design. Dette gjør det vanskelig å sammenligne resultater og identifisere de mest effektive strategiene for å la AI-agenter debattere. Funnene viser at forskere ofte har konvergert rundt et smalt designmønster: statiske, fullt tilkoblede topologier, verbatim-utveksling (ordrett gjengivelse), korttidsminne og stemmebaserte løsningsstrategier. Disse valgene er ofte tatt av konvensjon, heller enn gjennom systematisk sammenligning. Lovende alternativer for debatt-design forblir underutforsket. Forskerne foreslår derfor en tredelt taksonomi som dekker deltakerne i debatten, interaksjonsmekanismene som styrer utvekslingen, og protokollene som avgjør debatten. Dette rammeverket skal bidra til mer kontrollerte sammenligninger, og kan bli et maskinlesbart skjema for spesifikasjoner av MAD-konfigurasjoner. En mer formalisert, kjørbar spesifikasjon vil muliggjøre kostnadsbevisst benchmarking og automatisert finjustering av debattkonfigurasjoner for LLM-er.