--- title: "Multi-Agent Debate (EL)" source: "https://systems-analysis.info/int/Multi-Agent_Debate_(EL)" wiki: "systems-analysis.info/int" article: "Multi-Agent_Debate_(EL)" language: "el" categories: - "Category:AI Agents" - "Category:Greek" - "Category:Large language models" - "Category:Machine learning" revision_id: 4631 wiki_created_at: 2026-09-06T23:37:44Z wiki_modified_at: 2026-09-06T23:37:44Z downloaded_at: 2026-09-07T23:03:39Z --- # Multi-Agent Debate (EL) **Πολυπρακτορικές συζητήσεις** (αγγλ. multi-agent debate) – μια προσέγγιση στον τομέα των **μεγάλων γλωσσικών μοντέλων** (**LLM**), κατά την οποία πολλοί αλληλεπιδρώντες **πράκτορες** (instances γλωσσικού μοντέλου) συζητούν από κοινού την επίλυση ενός δεδομένου προβλήματος, ανταλλάσσοντας επιχειρήματα και προτεινόμενες απαντήσεις. Ο στόχος αυτής της διαδικασίας είναι η συλλογική διαμόρφωση της πλέον ορθής και τεκμηριωμένης απάντησης στο τεθέν ερώτημα. Η προσέγγιση βασίζεται στην ιδέα της **«κοινωνίας νοών»**, όπου διαφορετικά μοντέλα ελέγχουν και συμπληρώνουν τα συμπεράσματα αλλήλων[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-composable-llm-debate-1). Έρευνες έδειξαν ότι η πολυπρακτορική συζήτηση επιτρέπει την ουσιαστική **αύξηση της ακρίβειας και της αξιοπιστίας** των απαντήσεων σε σύγκριση με τη μέθοδο παραγωγής απάντησης από έναν μόνο πράκτορα: η τελική απάντηση που προκύπτει μετά τις συζητήσεις των πρακτόρων είναι κατά κανόνα πιο πραγματολογικά αξιόπιστη και αντεπεξέρχεται καλύτερα σε εργασίες που απαιτούν συλλογισμό[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-composable-llm-debate-1). Ειδικότερα, παρατηρείται μείωση του αριθμού των **ψευδαισθήσεων** (ανύπαρκτων «γεγονότων») και αύξηση των επιτυχιών σε σύνθετες δοκιμαστικές εργασίες κατά την εφαρμογή αυτής της στρατηγικής[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-composable-llm-debate-1). Η ιδέα της χρήσης πολλών ΤΝ για συζητήσεις ανάγεται σε εργασίες περί ασφάλειας τεχνητής νοημοσύνης. Το 2018, ομάδα ερευνητών της OpenAI (G. Irving, P. Christiano, D. Amodei) πρότεινε την έννοια **AI safety via debate** – εκπαίδευση πρακτόρων μέσω ανταγωνιστικών συζητήσεων, στις οποίες δύο αντίπαλα μοντέλα παρουσιάζουν εναλλάξ σύντομα επιχειρήματα, ενώ ένας ανθρώπινος κριτής αποφασίζει ποιος παρουσίασε πιο αξιόπιστες και χρήσιμες πληροφορίες[\[2\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-arxiv-ai-safety-2). Υποτίθετο ότι με βέλτιστη στρατηγική τέτοιες συζητήσεις θα επέτρεπαν στην ΤΝ να απαντά σε εξαιρετικά πολύπλοκα ερωτήματα, απαιτώντας από τον κριτή μόνο την αξιολόγηση της αξιοπιστίας των επιχειρημάτων[\[2\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-arxiv-ai-safety-2). Τα επόμενα χρόνια, με την εμφάνιση ισχυρών LLM, η αρχή των συζητήσεων μεταξύ μοντέλων άρχισε να εφαρμόζεται άμεσα για τη βελτίωση της ποιότητας των απαντήσεων των ίδιων των μοντέλων – πλέον χωρίς υποχρεωτική συμμετοχή ανθρώπου, αλλά με αυτοματοποιημένη επιλογή της βέλτιστης λύσης. Τα σύγχρονα πολυπρακτορικά συστήματα LLM χρησιμοποιούν διάλογο μεταξύ αντιγράφων ή διαφορετικών μοντέλων για να διορθώνουν τα σφάλματα αλλήλων και να καταλήγουν από κοινού σε πιο τεκμηριωμένα αποτελέσματα. ## Διαδικασία πολυπρακτορικής συζήτησης Σε ένα σενάριο πολυπρακτορικών συζητήσεων, αρκετοί πράκτορες-μοντέλα εργάζονται παράλληλα σε μια εργασία. Κατά κανόνα, αρχικά κάθε πράκτορας λαμβάνει το αρχικό ερώτημα ή πρόβλημα, μετά το οποίο κάθε πράκτορας **ανεξάρτητα παράγει τη δική του απάντηση**. Ακολουθεί μια σειρά γύρων επικοινωνίας μεταξύ των πρακτόρων: σε κάθε γύρο, όλοι οι συμμετέχοντες ανταλλάσσουν τις τρέχουσες λύσεις τους, και κάθε πράκτορας λαμβάνει τις απαντήσεις των άλλων ως πρόσθετο πλαίσιο, βάσει του οποίου **βελτιώνει ή αναθεωρεί την απάντησή του** στον επόμενο γύρο[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-arxiv-communication-3). Αυτός ο κύκλος συνεχίζεται για αρκετές επαναλήψεις (συνήθως ορίζεται σταθερός αριθμός γύρων ή μέχρι να επιτευχθεί ρητή συμφωνία), μετά την οποία η διαδικασία σταματά και εκδίδεται η **τελική απάντηση**. Οι συζητήσεις μιμούνται την ανθρώπινη αντιπαράθεση, επιτρέποντας στα μοντέλα να κριτικάρουν τις απαντήσεις αλλήλων και να συνδυάζουν τις ικανότητες συλλογισμού τους για την αναβάθμιση της ποιότητας της λύσης[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-arxiv-communication-3). Για παράδειγμα, ο **Yilun Du** και συνεργάτες (MIT και Google Brain) σε πειράματα χρησιμοποίησαν 3 instances γλωσσικού μοντέλου, τα οποία συζητούσαν το πρόβλημα για 2 γύρους (μεγαλύτερος αριθμός γύρων περιοριζόταν λόγω κόστους χρόνου και υπολογισμών)· αποδείχθηκε ότι ακόμα και με αυτόν τον περιορισμένο διάλογο οι τελικές απαντήσεις βελτιώθηκαν αισθητά, και με αύξηση του αριθμού πρακτόρων ή γύρων η ακρίβεια συνέχισε να αυξάνεται (αν και με φθίνουσα απόδοση)[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-composable-llm-debate-1). Η διαδικασία πολυπρακτορικής συζήτησης υλοποιείται εξ ολοκλήρου κατά το στάδιο εξαγωγής (inference) με τη βοήθεια ειδικών prompts για την οργάνωση διαλόγου μεταξύ ήδη εκπαιδευμένων μοντέλων. Αυτό σημαίνει ότι **η μέθοδος δεν απαιτεί fine-tuning** των ίδιων των LLM και μπορεί να εφαρμοστεί ακόμα και σε «μαύρα κουτιά» – αρκεί να υπάρχει πρόσβαση στη γενεσιουργό παραγωγή κειμένου των μοντέλων και να συντονίζεται η επικοινωνία τους σύμφωνα με ένα προκαθορισμένο πρότυπο[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-composable-llm-debate-1)[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Για τον καθορισμό της τελικής απάντησης μετά από αρκετούς γύρους χρησιμοποιούνται διαφορετικές προσεγγίσεις. Ένας από τους απλούστερους μηχανισμούς είναι η **ψηφοφορία**: οι πράκτορες μπορούν στο τέλος να προτείνουν ανεξάρτητα τις τελικές τους λύσεις, μετά την οποία επιλέγεται η εκδοχή που υποστηρίζεται από την πλειοψηφία (ή, π.χ., η πιο συχνά εμφανιζόμενη απάντηση)[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Μια άλλη προσέγγιση είναι να απαιτείται **συναίνεση**, δηλαδή η συνέχιση της συζήτησης μέχρι να καταλήξουν όλα τα μοντέλα στην ίδια απάντηση[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Τέλος, μπορεί να εμπλακεί ένας ξεχωριστός **κριτής-πράκτορας**: είτε ένα ξεχωριστό νευρωνικό δίκτυο εκπαιδευμένο να αξιολογεί απαντήσεις, είτε ένας από τους πράκτορες που έχει αναλάβει ρόλο διαιτητή. Ο κριτής παρακολουθεί την πορεία της συζήτησης και επιλέγει ποιο επιχείρημα αποδείχθηκε πιο πειστικό ή ορθό[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Η επιλογή του μηχανισμού λήψης αποφάσεων επηρεάζει τα χαρακτηριστικά του συστήματος: η ψηφοφορία ή η συναίνεση είναι απλές στην υλοποίηση, αλλά μπορεί να παγιώσουν ομαδικά σφάλματα, ενώ ο αξιολογητής-κριτής (ειδικά ο εκπαιδευμένος να εντοπίζει τη σωστή απάντηση) θεωρητικά μπορεί να εξάγει τη σωστή λύση ακόμα και παρουσία αντιφάσεων μεταξύ πρακτόρων. Ωστόσο, και η προσέγγιση του κριτή έχει δυσκολίες – για παράδειγμα, εάν στον ρόλο του κριτή εμφανίζεται το ίδιο μοντέλο με τους συμμετέχοντες, μπορεί ακούσια να **γέρνει υπέρ** του οικείου στυλ επιχειρηματολογίας ενός από τους πράκτορες[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). ## Παραλλαγές διαμόρφωσης πρακτόρων και επικοινωνίας Τα πολυπρακτορικά συστήματα με LLM μπορεί να διαφέρουν ως προς τη σύνθεση και τον τρόπο αλληλεπίδρασης των πρακτόρων. Η **ομοιογενής διαμόρφωση** προϋποθέτει ότι όλοι οι πράκτορες είναι αντίγραφα του ίδιου μοντέλου (ή μοντέλων παρόμοιου επιπέδου), ενώ η **ετερογενής** περιλαμβάνει μοντέλα διαφορετικού τύπου ή μεγέθους. Στην ομοιογενή περίπτωση, όλοι οι συμμετέχοντες έχουν συγκρίσιμες δυνατότητες, και οι διαφωνίες τους θα προκύπτουν μόνο λόγω στοχαστικής παραγωγής απαντήσεων ή διαφορετικών αρχικών συνθηκών (π.χ. διαφορών στα prompts). Στην ετερογενή προσέγγιση μπορούν να χρησιμοποιηθούν ταυτόχρονα ισχυρά και ασθενή μοντέλα, γεγονός που δυνητικά επιτρέπει σε ορισμένους πράκτορες να αντισταθμίζουν τις αδυναμίες άλλων. Έτσι, έρευνες δείχνουν ότι **η αλληλεπίδραση διαφορετικών LLM οδηγεί στο να βελτιώνουν τα ασθενέστερα μοντέλα τις λύσεις τους, λαμβάνοντας ανατροφοδότηση από τα ισχυρότερα**[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-arxiv-communication-3). Χαρακτηριστικό παράδειγμα αποτελεί η κοινή συζήτηση μεταξύ των γλωσσικών μοντέλων **ChatGPT (GPT-4)** και **Google Bard** κατά την επίλυση ενός μαθηματικού προβλήματος λεκτικής μορφής: κάθε ένα από αυτά τα μοντέλα έδωσε ξεχωριστά λανθασμένη απάντηση, ωστόσο στη διάρκεια της συζήτησης **κατάφεραν να υποδείξουν αμοιβαία τα σφάλματα και τελικά να συμφωνήσουν στη σωστή λύση**, αξιοποιώντας τα δυνατά σημεία καθενός[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-composable-llm-debate-1). Ταυτόχρονα, η ετερογένεια ενέχει και κινδύνους: μια σημαντική ανισορροπία στις δυνατότητες μπορεί να οδηγήσει στην κυριαρχία ενός μοντέλου, και εάν η πλειοψηφία των πρακτόρων έχει κοινή πλάνη ή εσφαλμένη προκατάληψη, οι συζητήσεις μπορεί να **συγκλίνουν γρήγορα σε μια ενιαία αλλά λανθασμένη απάντηση** – φαινόμενο που ονομάστηκε αποτέλεσμα **«θαλάμου ηχούς»**[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Η θεωρητική ανάλυση (Estornell & Liu, NeurIPS 2024) έδειξε ότι με πολύ παρόμοια μοντέλα η συζήτηση μπορεί να εξαντληθεί σε στατική δυναμική, όπου όλοι οι συμμετέχοντες επαναλαμβάνουν τη γνώμη της πλειοψηφίας, ακόμα και εάν αυτή βασίζεται σε κοινό σφάλμα των δεδομένων τους[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Γι' αυτό σε ετερογενή συστήματα είναι σημαντική η προσεκτική επιλογή πρακτόρων – για παράδειγμα, επιλέγονται μοντέλα με συγκρίσιμο επίπεδο γνώσεων, ώστε κανένα να μην κυριαρχεί και να μην παραπλανά τα υπόλοιπα[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Ένας άλλος παράγοντας αφορά τη **δομή επικοινωνίας** μεταξύ πρακτόρων. Στις βασικές υλοποιήσεις χρησιμοποιείται **πλήρως συνδεδεμένη τοπολογία** επικοινωνίας: σε κάθε γύρο κάθε πράκτορας λαμβάνει τις απαντήσεις όλων των άλλων. Αυτή η ανταλλαγή «ο καθένας με όλους» μεγιστοποιεί τις διαθέσιμες πληροφορίες, αλλά δημιουργεί σημαντικό κόστος – ο όγκος του πλαισίου αυξάνεται ανάλογα με τον αριθμό των πρακτόρων, βαραίνοντας τους υπολογισμούς. Εναλλακτικά υπάρχει η **αραιή τοπολογία**, που περιορίζει με ποιους ανταλλάσσει δεδομένα ο κάθε πράκτορας. Για παράδειγμα, οι πράκτορες μπορεί να τοποθετηθούν σε έναν γράφο-δίκτυο (κύκλος, δέντρο κ.λπ.), όπου ο καθένας λαμβάνει απαντήσεις μόνο από τους γείτονές του. Έρευνα της Google (Li et al., 2024) αποκάλυψε ότι **ο περιορισμός της συνδεσιμότητας του δικτύου πρακτόρων μπορεί να μειώσει σημαντικά το κόστος παραγωγής χωρίς υποβάθμιση, αλλά μερικές φορές και με βελτίωση της ποιότητας** της λύσης σε σύγκριση με την πλήρως συνδεδεμένη συζήτηση[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-arxiv-communication-3). Σε πειράματα με τα μοντέλα GPT-3.5 και Mistral, το αραιό σχήμα «γειτονικών» συζητήσεων έδινε την ίδια ή υψηλότερη ακρίβεια σε εργασίες (συμπεριλαμβανομένων μαθηματικών), μειώνοντας παράλληλα τον μέσο αριθμό token πλαισίου ανά βήμα κατά μία τάξη μεγέθους[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-arxiv-communication-3). Αυτό το αποτέλεσμα υποδηλώνει ότι **η υπερβολική ανταλλαγή μηνυμάτων δεν είναι πάντα απαραίτητη** – αρκεί η σωστή οργάνωση των βασικών αλληλεπιδράσεων μεταξύ πρακτόρων για να φτάσουν στη σωστή λύση με μικρότερο κόστος. Πέρα από την τοπολογία, είναι δυνατές διαφορετικές **μορφές διεξαγωγής συζητήσεων**. Για παράδειγμα, σε ορισμένους πράκτορες μπορεί να ανατεθούν διαφορετικοί **ρόλοι**: άλλοι ενεργούν ως «δημιουργοί ιδεών», άλλοι ως «κριτικοί» ή «ελεγκτές» λύσεων[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Αυτή η προσέγγιση ρόλων επιδιώκει να μιμηθεί την κατανομή εργασίας, όπου κάθε πράκτορας εξειδικεύεται σε μια συγκεκριμένη εργασία (π.χ. ένας προτείνει υπόθεση, ο δεύτερος επαληθεύει γεγονότα, ο τρίτος αξιολογεί τη λογική συνοχή). Μια άλλη επιλογή είναι η **εναλλάξ συζήτηση** (round-robin): οι πράκτορες μιλούν όχι ταυτόχρονα, αλλά αυστηρά με σειρά, εναλλάσσοντας ρόλους ομιλητή και αποκρινόμενου σε σταθερή σειρά[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Αυτό μοιάζει με επίσημες συζητήσεις όπου ο λόγος δίνεται στους συμμετέχοντες σύμφωνα με κανονισμό, κάτι που μπορεί να εξασφαλίσει ίση συμμετοχή όλων των πρακτόρων. Μια ακόμα προσέγγιση είναι η **δυναμική ρύθμιση των διαφωνιών**: το σύστημα μπορεί ειδικά να ενισχύει ή να αποδυναμώνει τον βαθμό διαφωνίας μεταξύ των απαντήσεων των πρακτόρων σε κάθε γύρο[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Για παράδειγμα, μπορεί να ενθαρρύνεται στα πρώτα στάδια οι απαντήσεις να αποκλίνουν στο μέγιστο (για την κάλυψη διαφορετικών υποθέσεων), ενώ με την προσέγγιση του τέλους να συγκλίνουν. Αυτός ο μηχανισμός προτάθηκε στην εργασία Chang (2024) για την αποτροπή πρόωρης συμφωνίας: διατηρεί **μέτριο επίπεδο αντιφάσεων** μεταξύ πρακτόρων, διεγείροντας την εμφάνιση νέων επιχειρημάτων και βαθύτερη συζήτηση[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). ## Πλεονεκτήματα και αποτελεσματικότητα της προσέγγισης Οι πολυπρακτορικές συζητήσεις προσέλκυσαν την προσοχή χάρη στην ικανότητά τους να **αυξάνουν την απόδοση** γλωσσικών μοντέλων σε σύνθετες εργασίες. Μια σειρά ανεξάρτητων ερευνών κατά τα έτη 2023-2024 επιβεβαίωσε ότι **μια ομάδα αλληλεπιδρώντων LLM μπορεί να υπερβεί σε ποιότητα απάντησης ένα μεμονωμένο μοντέλο** που εργάζεται στην ίδια εργασία. Ειδικότερα, αποδείχθηκαν βελτιώσεις σε τομείς που απαιτούν σύνθετους συλλογισμούς: από μαθηματικούς υπολογισμούς έως προγραμματισμό και περίληψη κειμένου. Έτσι, οι Yin et al. (2023), Chan et al. (2023), Chen et al. (2024) και άλλοι σημειώνουν ότι τα πολυπρακτορικά συστήματα ξεπερνούν σταθερά τα μεμονωμένα LLM σε αριθμητικές εργασίες, δημιουργία κώδικα και ακόμα στη σύνταξη συνοπτικών περιλήψεων εγγράφων[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Η αιτία είναι η **ποικιλομορφία των προοπτικών**: κάθε πράκτορας μπορεί να εντοπίσει λεπτομέρειες ή σφάλματα που παρέλειψαν άλλοι, και να παρέχει ανατροφοδότηση στους συναδέλφους. Η αμοιβαία κριτική και η ανταλλαγή διαφορετικών υποθέσεων οδηγεί σε πιο ολοκληρωμένη εξέταση της εργασίας[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4), χάρη στο οποίο η τελική απάντηση αποδεικνύεται ακριβέστερη και πιο αξιόπιστη. Για παράδειγμα, ερευνητές του MIT και Google Brain με επικεφαλής τον Yilun Du παρουσίασαν στο ICML 2024 εργασία «Improving factuality and reasoning in language models through multiagent debate», στην οποία αποδείχθηκε **σημαντική βελτίωση της ποιότητας λύσεων** κατά την προσθήκη συζητήσεων μεταξύ τριών instances μοντέλου[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-composable-llm-debate-1). Σύμφωνα με τα αποτελέσματά τους, η διαδικασία πολυπρακτορικής συζήτησης επέτρεψε την επίτευξη υψηλότερων επιδόσεων σε μια σειρά εργασιών σε σύγκριση με τη συνηθισμένη μεμονωμένη χρήση του ίδιου μοντέλου: **η ακρίβεια επίλυσης μαθηματικών και στρατηγικών προβλημάτων αυξήθηκε**, ενώ **ο αριθμός πραγματολογικών σφαλμάτων μειώθηκε**[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-composable-llm-debate-1). Ειδικότερα, η πολυπρακτορική προσέγγιση βελτίωσε τα αποτελέσματα του μοντέλου σε τεστ μαθηματικού συλλογισμού, επαλήθευσης γεγονότων και ακόμα σε εργασίες που απαιτούν στρατηγικό σχεδιασμό[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-composable-llm-debate-1). Οι συγγραφείς σημειώνουν ότι «η τελική απάντηση που παράγεται μετά από αυτή την πολύγυρη συζήτηση αποδεικνύεται τόσο πιο πραγματολογικά ορθή όσο και πιο επιτυχής στην επίλυση εργασιών συλλογισμού»[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-composable-llm-debate-1). Στη συνέχεια παρατίθεται απεικόνιση που συγκρίνει την ακρίβεια εκτέλεσης διαφόρων εργασιών από το μοντέλο μόνο του και με χρήση πολυπρακτορικών συζητήσεων. Σύγκριση ακρίβειας σε πολλές εργασίες για μονοχρηστική παραγωγή (μπλε χρώμα) και για λειτουργία πολυπρακτορικών συζητήσεων (κόκκινο χρώμα). Η πολυπρακτορική προσέγγιση (multi-agent debate) επιδεικνύει υψηλότερη ακρίβεια σε διάφορους τομείς, συμπεριλαμβανομένων πραγματολογικών ερωτήσεων (βιογραφίες), του γνωσιακού τεστ MMLU, επαλήθευσης ορθότητας σκακιστικών κινήσεων, επίλυσης αριθμητικών εκφράσεων, λεκτικών μαθηματικών προβλημάτων σχολικού επιπέδου (GSM8K) και εύρεσης βέλτιστης σκακιστικής κίνησης[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-composable-llm-debate-1). Σύμφωνα με τα στοιχεία του γραφήματος, οι συζητήσεις ενισχύουν ιδιαίτερα τις ικανότητες του μοντέλου σε σύνθετες στρατηγικές εργασίες (π.χ. εύρεση βέλτιστης κίνησης στο σκάκι) και μειώνουν αισθητά το ποσοστό σφαλμάτων στους μαθηματικούς υπολογισμούς και στις ερωτήσεις γνώσης γεγονότων. Ένα ακόμα πλεονέκτημα της πολυπρακτορικής προσέγγισης είναι η **υπέρβαση των περιορισμών του μεμονωμένου αυτοελέγχου** του μοντέλου. Τα μεμονωμένα LLM χρησιμοποιούν συχνά την τεχνική self-reflection (αυτο-αντανάκλαση), όπου το ίδιο το μοντέλο αξιολογεί και διορθώνει την αρχική του απάντηση. Ωστόσο, αποδείχθηκε ότι αυτή η μέθοδος είναι επιρρεπής στο πρόβλημα «degeneration-of-thought» – παρακμή σκέψης: εάν το μοντέλο έχει πιστέψει στην αρχική απάντηση, κατά τον αυτοέλεγχο δεν παράγει ουσιαστικά νέες ιδέες, ακόμα και εάν η αρχική λύση είναι λανθασμένη[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-aclanthology-divergent-5). Με άλλα λόγια, **το μοντέλο τείνει να κολλάει στην πρώτη λύση που επινόησε, απορρίπτοντας εναλλακτικές**[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-aclanthology-divergent-5). Οι πολυπρακτορικές συζητήσεις βοηθούν να αρθεί αυτό το αποτέλεσμα: αρκετοί ισότιμοι πράκτορες μπορούν αρχικά να προτείνουν διαφορετικές υποθέσεις και στη συνέχεια να αμφισβητούν διαδοχικά τα επιχειρήματα αλλήλων, κάτι που διεγείρει την αναζήτηση μη συμβατικών σκέψεων. Ο Tian Liang και συνεργάτες (EMNLP 2024) ονόμασαν το πολυπρακτορικό τους σχήμα **MAD (Multi-Agent Debate)** και απέδειξαν ότι αυτό όντως **ενθαρρύνει αποκλίνουσα (ποικίλη) σκέψη** των μοντέλων και βελτιώνει τα αποτελέσματα σε εργασίες που απαιτούν βαθιά επεξεργασία του προβλήματος[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-aclanthology-divergent-5). Στην υλοποίησή τους, αρκετοί πράκτορες διαφωνούν με την αρχή «οφθαλμός αντί οφθαλμού» (ο καθένας κατά σειρά αντιτίθεται στα επιχειρήματα του άλλου), ενώ πάνω από τη διαδικασία βρίσκεται ένας βοηθητικός κριτής που διαχειρίζεται τη συζήτηση και επιλέγει την τελική λύση[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-aclanthology-divergent-5). Τα πειράματα των Liang et al. κατέδειξαν την αποτελεσματικότητα αυτής της προσέγγισης σε σύνθετα σύνολα δοκιμών – σε εργασίες μετάφρασης κοινής λογικής (μετάφραση προτάσεων λαμβάνοντας υπόψη κρυφή κοινή λογική) και σε αντιαισθητική αριθμητική (μαθηματικά γρίφοι με φαινομενικά παράλογες συνθήκες), η πολυπρακτορική συζήτηση έδωσε πιο σωστές απαντήσεις από τις τυποποιημένες μεθόδους[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-aclanthology-divergent-5). Η ανάλυση αποκάλυψε επίσης ότι για το βέλτιστο αποτέλεσμα, οι συζητήσεις πρέπει να **διακόπτονται προσαρμοστικά**, χωρίς να φτάνουν σε υπερβολικό μήκος, και να διατηρείται μόνο **μέτριο επίπεδο σύγκρουσης** μεταξύ πρακτόρων – η υπερβολικά επιθετική ή, αντίθετα, η υπερβολικά συμφωνική συμπεριφορά επιδεινώνει τα αποτελέσματα[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-aclanthology-divergent-5). Η πολυπρακτορική προσέγγιση αποδείχθηκε χρήσιμη όχι μόνο για τυπικές εργασίες ερωτήσεων-απαντήσεων. Βρίσκει εφαρμογή και σε άλλους τομείς, για παράδειγμα για πιο **ασφαλή και συνεκτική συμπεριφορά** μοντέλων. Μεμονωμένες έρευνες χρησιμοποιούν τις συζητήσεις πρακτόρων σε εργασίες **εποπτείας και διαμόρφωσης κανόνων**: πολλά LLM μπορούν να συζητούν εάν μια δεδομένη απάντηση είναι αποδεκτή από ηθική άποψη, παρέχοντας έτσι feedback αλλήλοις κατά την εκπαίδευση με ενίσχυση. Έχει σημειωθεί ότι οι συζητήσεις μπορούν να παράγουν πιο λεπτά και τεκμηριωμένα σήματα αξιολόγησης, που βοηθούν στη ρύθμιση μοντέλων ως προς ασφάλεια και χρησιμότητα[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-arxiv-communication-3). Επίσης έγιναν προσπάθειες επέκτασης σε **πολυτροπικές εργασίες** – για παράδειγμα, όταν ορισμένοι πράκτορες περιγράφουν μια εικόνα, ενώ άλλοι ελέγχουν την αντιστοιχία της περιγραφής με την εικόνα. Σε εργασία της Google (2024) αποδείχθηκε η επιτυχία αυτής της επέκτασης: η πολυτροπική προσέγγιση βελτίωσε τα αποτελέσματα τόσο σε αμιγώς κειμενικές εργασίες όσο και στην πολυτροπική κατανόηση εικόνων, αποδεικνύοντας την καθολικότητα της «κοινωνίας νοών»[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-arxiv-communication-3). Ενδιαφέρον είναι ότι η αλληλεπίδραση στο πλαίσιο των συζητήσεων μπορεί να αυξήσει το επίπεδο ασθενέστερων μοντέλων, όπως αναφέρθηκε ανωτέρω. Για παράδειγμα, όταν LLM διαφορετικής ισχύος συμμετέχουν σε κοινή συζήτηση, **«τα ασθενέστερα μοντέλα σταδιακά ενισχύονται, υιοθετώντας επιτυχημένες στρατηγικές από τα ισχυρότερα»**[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-arxiv-communication-3). Έτσι, το πολυπρακτορικό σύστημα όχι μόνο επιλύει την τεθείσα εργασία, αλλά λειτουργεί και ως ένας ιδιαίτερος μηχανισμός συλλογικής μάθησης των μοντέλων από το ένα στο άλλο. ## Περιορισμοί και ανοιχτά προβλήματα Παρά τα σημαντικά πλεονεκτήματα, οι πολυπρακτορικές συζητήσεις αντιμετωπίζουν μια σειρά **δυσκολιών και περιορισμών**. Ένας από τους κύριους είναι η **υψηλή εντατικότητα πόρων** αυτής της προσέγγισης. Για την οργάνωση της συζήτησης απαιτείται πολλαπλή κλήση της παραγωγής κειμένου από μεγάλα μοντέλα: εάν συμμετέχουν n πράκτορες σε T γύρους, τότε ο συνολικός αριθμός κλήσεων στο LLM αυξάνεται κατά n x T φορές σε σύγκριση με μια μόνο απάντηση. Επιπλέον, σε κάθε γύρο το μοντέλο πρέπει να επεξεργάζεται ως πλαίσιο όχι μόνο το αρχικό ερώτημα, αλλά και όλες τις ρεπλίκες από τους προηγούμενους γύρους (απαντήσεις όλων των πρακτόρων). Έτσι, με την αύξηση του αριθμού πρακτόρων και γύρων, **ο όγκος της εισόδου πλαισίου αυξάνεται εκθετικά**, οδηγώντας στο αποτέλεσμα **context explosion** – υπερχείλιση του παραθύρου πλαισίου και αύξηση του κόστους επεξεργασίας[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-arxiv-communication-3). Στα πειράματα καταγράφεται ότι η προσθήκη ακόμα και 2-3 γύρων συζήτησης αυξάνει σημαντικά τον συνολικό αριθμό token πλαισίου που πρέπει να επεξεργαστεί το μοντέλο, και επομένως και τον χρόνο απόκρισης. Θεωρητικά η ποιότητα της λύσης βελτιώνεται με την αύξηση του αριθμού επαναλήψεων, αλλά στην πράξη πολλές εργασίες σημειώνουν **φθίνουσα απόδοση μετά από αρκετούς γύρους**: συχνά το μέγιστο αποτέλεσμα επιτυγχάνεται στον δεύτερο-τρίτο γύρο, μετά τον οποίο περαιτέρω συζητήσεις μπορεί να οδηγήσουν σε επανάληψη των ίδιων επιχειρημάτων ή ακόμα και σε μείωση της ακρίβειας λόγω υπερπλήρωσης πλαισίου[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Για παράδειγμα, οι Xi et al. (2023) παρουσίασαν αύξηση ακρίβειας μέχρι τον 2ο γύρο συζητήσεων και μετά πτώση, ενώ οι Liu και Li με συνεργάτες (2024) αναφέρουν κορύφωση της ποιότητας σε ~4 γύρους, μετά τους οποίους οι πρόσθετοι κύκλοι μόνο παρεμποδίζουν[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Έτσι, **ο καθορισμός της βέλτιστης διάρκειας συζητήσεων** είναι δύσκολη εργασία: η υπερβολικά σύντομη συζήτηση μπορεί να μην αξιοποιήσει πλήρως τις δυνατότητες της συλλογικής νοημοσύνης, ενώ η υπερβολικά μακρά μπορεί να προκαλέσει πληροφοριακό θόρυβο και υπερφόρτωση πλαισίου. Ένα άλλο πρόβλημα είναι οι **κίνδυνοι ομαδικής συμφωνίας σε λανθασμένη απάντηση**. Εάν όλοι οι πράκτορες έχουν παρόμοια εμπειρία και είναι εσφαλμένα βέβαιοι για κάποιο γεγονός, μπορεί να ενισχύσουν αμοιβαία την πλάνη τους. Συμβαίνει το αποτέλεσμα **θαλάμου ηχούς**: κατά τη διάρκεια των συζητήσεων τα μοντέλα καταλήγουν σε συναίνεση, αλλά όχι επειδή βρήκαν την αλήθεια, αλλά λόγω επιβεβαίωσης της αρχικής κοινής προκατάληψης. Τα θεωρητικά αποτελέσματα (Estornell & Liu, 2024) υποδηλώνουν ότι με πανομοιότυπα μοντέλα οι συζητήσεις μπορούν να **εκπέσουν σε στασιμότητα**, επαναλαμβάνοντας τη γνώμη της πλειοψηφίας χωρίς εμφάνιση νέων ιδεών[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Ιδιαίτερα επικίνδυνο είναι όταν αυτή η πλειοψηφία μοιράζεται κοινό σφάλμα ενσωματωμένο, για παράδειγμα, στα δεδομένα εκπαίδευσης – τότε η έκβαση ολόκληρης της συζήτησης θα είναι λανθασμένη[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-proceedings-neurips-6)[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Για την αντιμετώπιση αυτού του προβλήματος προτείνονται ειδικές **μέθοδοι παρέμβασης** (diversity-pruning): σε κάθε γύρο αλγοριθμικά αποκόπτονται οι υπερβολικά παρόμοιες απαντήσεις, ενθαρρύνοντας τους πράκτορες να παράγουν διαφορετικές παραλλαγές με μέγιστη πληροφοριακή εντροπία[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-proceedings-neurips-6). Αυτό μειώνει την πιθανότητα να είναι όλες οι απαντήσεις παραλλαγές του ίδιου σφάλματος. Μια άλλη τεχνική είναι η **ανίχνευση και διάψευση πλανών** (misconception refutation): το σύστημα επιχειρεί να εντοπίσει αυτόματα κοινές υποθέσεις των πρακτόρων και σκόπιμα αμφισβητεί εκείνες που μπορεί να είναι ψευδείς[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-proceedings-neurips-6). Στην εργασία Estornell & Liu προτάθηκε σύνολο τριών τέτοιων παρεμβάσεων – πέρα από τις αναφερθείσες, επίσης quality-pruning (επιλογή των πιο σχετικών και ποιοτικών επιχειρημάτων σε κάθε βήμα) – και αποδείχθηκε ότι ο συνδυασμός τους αυξάνει αισθητά την αποτελεσματικότητα των συζητήσεων και αποτρέπει την τάση προς θάλαμο ηχούς[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-proceedings-neurips-6)[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-proceedings-neurips-6). Τέλος, πρέπει να σημειωθεί ότι η **σταθερότητα και η προβλεψιμότητα** των πολυπρακτορικών συζητήσεων απέχουν ακόμα από το ιδανικό. Σε ορισμένα πειράματα οι συζητήσεις οδήγησαν σε ασταθή αποτελέσματα – διαφορετικές εκτελέσεις της ίδιας συζήτησης μπορούσαν να συγκλίνουν σε διαφορετικές απαντήσεις, ή η συνολική απάντηση αποδεικνυόταν χειρότερη από αυτή ενός μεμονωμένου μοντέλου χωρίς συζητήσεις[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Οι Wang et al. (2024) και Smit et al. (2023) ανεξάρτητα σημείωσαν περιπτώσεις όπου η προσθήκη πρακτόρων **επιδείνωσε την απόδοση**, κάτι που υποδηλώνει τη λεπτή διαχωριστική γραμμή μεταξύ χρήσιμης κριτικής και καταστροφικών διαφωνιών[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Η ανακάλυψη των συνθηκών υπό τις οποίες η πολυπρακτορική προσέγγιση είναι εγγυημένα ωφέλιμη παραμένει αντικείμενο έρευνας. Ανοιχτά παραμένουν τα ερωτήματα: **πώς να αποφασιστεί αυτόματα πότε να σταματήσουν οι συζητήσεις και να παγιωθεί η απάντηση**, ώστε να μην χαθεί το πλεονέκτημα και να μην εισέλθει η συζήτηση σε ατέρμονη αντιπαράθεση, και **με ποιον τρόπο να λαμβάνεται συλλογική απόφαση** – μέσω ψηφοφορίας, συναίνεσης ή με τη βοήθεια εξωτερικού κριτή – με τον πιο αξιόπιστο τρόπο για διαφορετικούς τύπους εργασιών[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Επίσης παραμένει οξύ το πρόβλημα της **ασφάλειας και ελεγξιμότητας** πολυπρακτορικών συστημάτων: χρειάζεται να εξασφαλιστεί ότι οι πράκτορες δεν θα παράγουν από κοινού ανεπιθύμητο ή τοξικό περιεχόμενο και δεν θα ενισχύσουν αμοιβαία επιβλαβείς τάσεις. Αυτά τα ζητήματα, που αφορούν ιδιαίτερα την **ασφάλεια και κλιμάκωση**, αναγνωρίζονται ως επίκαιρα και σύνθετα[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Σύγχρονες επισκοπήσεις σημειώνουν ότι απαιτούνται περαιτέρω έρευνες αφιερωμένες στην ανάπτυξη **αξιόπιστων κανόνων τερματισμού** συζητήσεων, στην αξιολόγηση της **κλιμακωσιμότητας** της προσέγγισης κατά την αύξηση του αριθμού πρακτόρων και γύρων, καθώς και στην εισαγωγή μεθόδων που εγγυώνται **αξιοπιστία και ορθότητα** της συλλογικά αποκτηθείσας απάντησης[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_note-litreview-problem-solving-4). Η επίλυση αυτών των εργασιών θα επιτρέψει τη μετατροπή των πολυπρακτορικών συζητήσεων σε ακόμα πιο ισχυρό και καθολικό εργαλείο για τη δημιουργία πιο **έξυπνων και ασφαλών** συστημάτων τεχνητής νοημοσύνης. ## Σύνδεσμοι - Improving Factuality and Reasoning in Language Models with Multiagent Debate — σελίδα του έργου - AI safety via debate — πρωτότυπο άρθρο OpenAI - Improving Multi-Agent Debate with Sparse Communication Topology — άρθρο βελτιστοποίησης επικοινωνίας - Literature Review Of Multi-Agent Debate For Problem-Solving — ανασκόπηση βιβλιογραφίας - Encouraging Divergent Thinking in Large Language Models through Multi-Agent Debate — άρθρο για το MAD - Improving Multi-Agent Debate with Contrastive Deliberation and Diversity-Promoting Interventions — άρθρο NeurIPS 2024 ## Βιβλιογραφία - Irving, G. et al. (2018). *AI Safety via Debate*. arXiv:1805.00899. - Du, Y. et al. (2023). *Improving Factuality and Reasoning in Language Models through Multiagent Debate*. arXiv:2305.14325. - Liang, T. et al. (2023). *Encouraging Divergent Thinking in Large Language Models through Multi-Agent Debate*. arXiv:2305.19118. - Li, Y. et al. (2024). *Improving Multi-Agent Debate with Sparse Communication Topology*. arXiv:2406.11776. - Guo, T. et al. (2024). *Large Language Model based Multi-Agents: A Survey of Progress and Challenges*. arXiv:2402.01680. - Li, J. et al. (2024). *More Agents Is All You Need*. arXiv:2402.05120. - Estornell, A.; Liu, Y. (2024). *Multi-LLM Debate: Framework, Principals, and Interventions*. NeurIPS 2024. - Eo, S. et al. (2025). *Debate Only When Necessary: Adaptive Multiagent Collaboration for Efficient LLM Reasoning*. arXiv:2504.05047. - Tillmann, A. (2025). *Literature Review Of Multi-Agent Debate For Problem-Solving*. arXiv:2506.00066. - Cui, Y. et al. (2025). *Efficient Leave-One-Out Approximation in LLM Multi-Agent Debate Based on Introspection*. arXiv:2505.22192. - La Malfa, E. et al. (2025). *Large Language Models Miss the Multi-Agent Mark*. arXiv:2505.21298. ## Παραπομπές 1. ↑ [1.00](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-composable-llm-debate_1-0) [1.01](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-composable-llm-debate_1-1) [1.02](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-composable-llm-debate_1-2) [1.03](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-composable-llm-debate_1-3) [1.04](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-composable-llm-debate_1-4) [1.05](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-composable-llm-debate_1-5) [1.06](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-composable-llm-debate_1-6) [1.07](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-composable-llm-debate_1-7) [1.08](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-composable-llm-debate_1-8) [1.09](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-composable-llm-debate_1-9) [1.10](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-composable-llm-debate_1-10) «Improving Factuality and Reasoning in Language Models with Multiagent Debate». *composable-models.github.io*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-arxiv-ai-safety_2-0) [2.1](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-arxiv-ai-safety_2-1) Irving, Geoffrey et al. «AI safety via debate». *arXiv*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-arxiv-communication_3-0) [3.1](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-arxiv-communication_3-1) [3.2](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-arxiv-communication_3-2) [3.3](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-arxiv-communication_3-3) [3.4](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-arxiv-communication_3-4) [3.5](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-arxiv-communication_3-5) [3.6](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-arxiv-communication_3-6) [3.7](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-arxiv-communication_3-7) [3.8](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-arxiv-communication_3-8) Liu, Xiang Lisa et al. «Improving Multi-Agent Debate with Sparse Communication Topology». *arXiv*. [3] 4. ↑ [4.00](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-0) [4.01](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-1) [4.02](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-2) [4.03](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-3) [4.04](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-4) [4.05](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-5) [4.06](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-6) [4.07](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-7) [4.08](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-8) [4.09](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-9) [4.10](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-10) [4.11](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-11) [4.12](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-12) [4.13](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-13) [4.14](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-14) [4.15](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-15) [4.16](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-16) [4.17](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-17) [4.18](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-18) [4.19](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-19) [4.20](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-20) [4.21](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-21) [4.22](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-litreview-problem-solving_4-22) «Literature Review Of Multi-Agent Debate For Problem-Solving». *arXiv*. [4] 5. ↑ [5.0](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-aclanthology-divergent_5-0) [5.1](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-aclanthology-divergent_5-1) [5.2](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-aclanthology-divergent_5-2) [5.3](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-aclanthology-divergent_5-3) [5.4](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-aclanthology-divergent_5-4) [5.5](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-aclanthology-divergent_5-5) Liang, Tian et al. «Encouraging Divergent Thinking in Large Language Models through Multi-Agent Debate». *ACL Anthology*. [5] 6. ↑ [6.0](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-proceedings-neurips_6-0) [6.1](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-proceedings-neurips_6-1) [6.2](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-proceedings-neurips_6-2) [6.3](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-proceedings-neurips_6-3) [6.4](https://systems-analysis.info/int/Multi-Agent_Debate_(EL)#cite_ref-proceedings-neurips_6-4) «Improving Multi-Agent Debate with Contrastive Deliberation and Diversity-Promoting Interventions». *NeurIPS 2024*. [6]