--- title: "Multi-Agent Debate (TH)" source: "https://systems-analysis.info/int/Multi-Agent_Debate_(TH)" wiki: "systems-analysis.info/int" article: "Multi-Agent_Debate_(TH)" language: "th" categories: - "Category:AI Agents" - "Category:Large language models" - "Category:Machine learning" - "Category:Thai" revision_id: 4644 wiki_created_at: 2026-09-06T23:37:55Z wiki_modified_at: 2026-09-06T23:37:55Z downloaded_at: 2026-09-07T23:03:45Z --- # Multi-Agent Debate (TH) **การโต้วาทีแบบหลายตัวแทน** (อังกฤษ: multi-agent debate) – แนวทางในด้าน **โมเดลภาษาขนาดใหญ่** (**LLM**) ซึ่ง**ตัวแทน**หลายตัว (อินสแตนซ์ของโมเดลภาษา) ร่วมกันอภิปรายเพื่อแก้ปัญหาที่กำหนดโดยการแลกเปลี่ยนข้อโต้แย้งและคำตอบ เป้าหมายของกระบวนการดังกล่าวคือการร่วมกันสร้างคำตอบที่ถูกต้องและมีเหตุผลมากที่สุดสำหรับคำถามที่ตั้งไว้ แนวทางนี้ตั้งอยู่บนแนวคิด **«สังคมแห่งปัญญา»** ซึ่งโมเดลต่าง ๆ ตรวจสอบและเสริมข้อสรุปของกันและกัน[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-composable-llm-debate-1) การวิจัยแสดงให้เห็นว่าการอภิปรายแบบหลายตัวแทนสามารถ**เพิ่มความแม่นยำและความน่าเชื่อถือ**ของคำตอบได้อย่างมีนัยสำคัญเมื่อเทียบกับการสร้างคำตอบด้วยวิธีเดียว โดยทั่วไปคำตอบสุดท้ายที่ได้จากการโต้วาทีของตัวแทนจะมีความถูกต้องตามข้อเท็จจริงมากกว่าและสามารถรับมือกับงานที่ต้องใช้การให้เหตุผลได้ดีกว่า[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-composable-llm-debate-1) โดยเฉพาะอย่างยิ่ง มีการลดลงของ**ภาพหลอน** («ข้อเท็จจริง» ที่ไม่มีอยู่จริง) และการเพิ่มขึ้นของความสำเร็จในงานทดสอบที่ซับซ้อนเมื่อใช้กลยุทธ์นี้[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-composable-llm-debate-1) แนวคิดของการนำ AI หลายตัวมาโต้วาทีมีรากฐานมาจากงานวิจัยด้านความปลอดภัยของปัญญาประดิษฐ์ ในปี 2018 กลุ่มนักวิจัยจาก OpenAI (G. Irving, P. Christiano, D. Amodei) ได้เสนอแนวคิด **AI safety via debate** – การฝึกตัวแทนผ่านการโต้วาทีแบบแข่งขัน ซึ่งคู่ต่อสู้โมเดลสองตัวผลัดกันเสนอข้อโต้แย้งสั้น ๆ และผู้ตัดสินที่เป็นมนุษย์จะเป็นผู้ตัดสินว่าฝ่ายใดนำเสนอข้อมูลที่ถูกต้องและเป็นประโยชน์มากกว่า[\[2\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-arxiv-ai-safety-2) สันนิษฐานว่าด้วยกลยุทธ์ที่เหมาะสม การโต้วาทีดังกล่าวจะช่วยให้ AI ตอบคำถามที่ยากมากได้ โดยผู้ตัดสินเพียงแค่ประเมินความน่าเชื่อถือของข้อโต้แย้ง[\[2\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-arxiv-ai-safety-2) ในปีต่อมา เมื่อ LLM ที่ทรงพลังเริ่มปรากฏขึ้น หลักการโต้วาทีระหว่างโมเดลก็เริ่มถูกนำมาใช้โดยตรงเพื่อปรับปรุงคุณภาพคำตอบของโมเดลเอง – โดยไม่จำเป็นต้องมีมนุษย์เข้าร่วม แต่ใช้การเลือกคำตอบที่ดีที่สุดแบบอัตโนมัติแทน ระบบ LLM แบบหลายตัวแทนในยุคปัจจุบันใช้การสนทนาระหว่างสำเนาหรือโมเดลต่าง ๆ เพื่อแก้ไขข้อผิดพลาดของกันและกันและร่วมกันบรรลุผลลัพธ์ที่มีเหตุผลมากขึ้น ## กระบวนการอภิปรายแบบหลายตัวแทน ในสถานการณ์การโต้วาทีแบบหลายตัวแทน ตัวแทนโมเดลหลายตัวทำงานบนงานเดียวกันพร้อมกัน โดยทั่วไปในตอนแรกตัวแทนแต่ละตัวจะได้รับคำถามหรืองานเริ่มต้น จากนั้นตัวแทนแต่ละตัวจะ**สร้างคำตอบของตนเองอย่างอิสระ** ต่อมาจะมีการแลกเปลี่ยนหลายรอบระหว่างตัวแทน โดยในแต่ละรอบผู้เข้าร่วมทุกคนจะแลกเปลี่ยนคำตอบปัจจุบันของตน และตัวแทนแต่ละตัวจะได้รับคำตอบของตัวอื่นเป็นบริบทเพิ่มเติม ซึ่งใช้เป็นพื้นฐานในการ**ปรับปรุงหรือพัฒนาคำตอบของตน**ในรอบถัดไป[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-arxiv-communication-3) วงจรนี้ดำเนินต่อไปหลายรอบ (โดยทั่วไปกำหนดจำนวนรอบคงที่หรือจนกว่าจะบรรลุฉันทามติที่ชัดเจน) จากนั้นกระบวนการจะหยุดลงและออก**คำตอบสุดท้าย** การโต้วาทีจำลองการอภิปรายของมนุษย์ ช่วยให้โมเดลสามารถวิจารณ์คำตอบของกันและกันและผสมผสานทักษะการให้เหตุผลเพื่อปรับปรุงคุณภาพของคำตอบ[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-arxiv-communication-3) ตัวอย่างเช่น **Yilun Du** และเพื่อนร่วมงาน (MIT และ Google Brain) ใช้อินสแตนซ์ของโมเดลภาษา 3 ตัวในการทดลอง ซึ่งอภิปรายปัญหาเป็นเวลา 2 รอบ (จำกัดจำนวนรอบที่มากขึ้นเนื่องจากต้นทุนด้านเวลาและการคำนวณ) และแสดงให้เห็นว่าแม้จะมีการสนทนาที่จำกัดเช่นนี้ คำตอบสุดท้ายก็ดีขึ้นอย่างเห็นได้ชัด และเมื่อเพิ่มจำนวนตัวแทนหรือรอบ ความแม่นยำก็ยังคงเพิ่มขึ้น (แม้ว่าจะมีผลตอบแทนที่ลดลง)[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-composable-llm-debate-1) กระบวนการโต้วาทีแบบหลายตัวแทนถูกนำไปใช้อย่างสมบูรณ์ในขั้นตอน inference โดยใช้ prompt พิเศษเพื่อจัดระเบียบการสนทนาระหว่างโมเดลที่ได้รับการฝึกแล้ว ซึ่งหมายความว่า**วิธีนี้ไม่จำเป็นต้อง fine-tuning** LLM เองและสามารถนำไปใช้กับ «กล่องดำ» ได้ – เพียงแค่มีสิทธิ์เข้าถึงการสร้างข้อความของโมเดลและประสานการสื่อสารของพวกเขาตามเทมเพลตที่กำหนดไว้ล่วงหน้า[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-composable-llm-debate-1)[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) สำหรับการกำหนดคำตอบสุดท้ายหลังจากหลายรอบ จะใช้แนวทางต่าง ๆ กัน กลไกที่ง่ายที่สุดประการหนึ่งคือ**การลงคะแนน**: ตัวแทนอาจเสนอคำตอบสุดท้ายของตนอย่างอิสระในตอนท้าย จากนั้นเลือกตัวเลือกที่ได้รับการสนับสนุนจากส่วนใหญ่ (หรือตัวอย่างเช่น คำตอบที่พบบ่อยที่สุด)[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) อีกแนวทางหนึ่งคือการกำหนด**ฉันทามติ** นั่นคือดำเนินการอภิปรายต่อไปจนกว่าโมเดลทุกตัวจะได้คำตอบเดียวกัน[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) สุดท้ายอาจมี**ตัวแทนผู้ตัดสิน**เข้ามาเกี่ยวข้อง: ไม่ว่าจะเป็นเครือข่ายประสาทแยกต่างหากที่ได้รับการฝึกให้ประเมินคำตอบ หรือตัวแทนตัวหนึ่งที่มีหน้าที่เป็นอนุญาโตตุลาการ ผู้ตัดสินจะติดตามความคืบหน้าของการอภิปรายและเลือกข้อโต้แย้งที่น่าเชื่อถือหรือถูกต้องที่สุด[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) การเลือกกลไกการตัดสินใจมีผลต่อคุณลักษณะของระบบ: ตัวอย่างเช่น การลงคะแนนหรือฉันทามตินั้นง่ายต่อการนำไปใช้งาน แต่อาจบันทึกข้อผิดพลาดของกลุ่มได้ ในขณะที่ผู้ประเมินแบบผู้ตัดสิน (โดยเฉพาะที่ได้รับการฝึกให้ระบุคำตอบที่ถูกต้อง) มีทฤษฎีที่สามารถดึงคำตอบที่ถูกต้องออกมาได้แม้จะมีความขัดแย้งระหว่างตัวแทน อย่างไรก็ตาม แนวทางผู้ตัดสินก็มีความยากลำบากเช่นกัน – ตัวอย่างเช่น หากโมเดลเดียวกับผู้เข้าร่วมทำหน้าที่เป็นผู้ตัดสิน มันอาจโดยไม่ได้ตั้งใจ**เอนเอียงไปทาง**รูปแบบการโต้แย้งที่คุ้นเคยของตัวแทนตัวใดตัวหนึ่ง[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) ## รูปแบบการกำหนดค่าตัวแทนและการสื่อสาร ระบบหลายตัวแทนที่ใช้ LLM อาจแตกต่างกันในองค์ประกอบและวิธีการโต้ตอบของตัวแทน **การกำหนดค่าแบบเดียวกัน** หมายความว่าตัวแทนทั้งหมดเป็นสำเนาของโมเดลเดียวกัน (หรือโมเดลในระดับที่คล้ายกัน) ในขณะที่**การกำหนดค่าแบบต่างกัน** ประกอบด้วยโมเดลที่แตกต่างกันตามประเภทหรือขนาด ในกรณีแบบเดียวกัน ผู้เข้าร่วมทุกคนมีความสามารถที่เทียบเคียงกัน และความไม่เห็นด้วยจะเกิดขึ้นจากการสร้างแบบสุ่มหรือเงื่อนไขเริ่มต้นที่ต่างกันเท่านั้น (เช่น ความแตกต่างใน prompt) ในแนวทางแบบต่างกัน สามารถใช้โมเดลที่แข็งแกร่งและอ่อนแอพร้อมกันได้ ซึ่งอาจช่วยให้ตัวแทนบางตัวชดเชยข้อบกพร่องของตัวอื่น ตัวอย่างเช่น การวิจัยแสดงให้เห็นว่า**การโต้ตอบของ LLM ต่าง ๆ ทำให้โมเดลที่อ่อนแอกว่าปรับปรุงคำตอบของตนโดยได้รับ feedback จากโมเดลที่แข็งแกร่งกว่า**[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-arxiv-communication-3) ตัวอย่างที่น่าสังเกตคือการโต้วาทีร่วมกันระหว่างโมเดลภาษา **ChatGPT (GPT-4)** และ **Google Bard** ในการแก้ปัญหาคณิตศาสตร์เชิงข้อความ: โมเดลแต่ละตัวให้คำตอบที่ผิดแยกกัน แต่ในระหว่างการอภิปราย**พวกเขาสามารถชี้ให้เห็นข้อผิดพลาดของกันและกันและในที่สุดก็บรรลุคำตอบที่ถูกต้อง** โดยใช้จุดแข็งของแต่ละตัว[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-composable-llm-debate-1) ในขณะเดียวกัน ความหลากหลายก็มีความเสี่ยงด้วย: ความไม่สมดุลอย่างมีนัยสำคัญในความสามารถอาจทำให้โมเดลหนึ่งครอบงำ และหากตัวแทนส่วนใหญ่มีความเข้าใจผิดร่วมกันหรือ bias ที่ผิดพลาด การโต้วาทีอาจ**บรรจบสู่คำตอบเดียวที่ผิดอย่างรวดเร็ว** – ซึ่งเป็นปรากฏการณ์ที่เรียกว่าเอฟเฟกต์**«ห้องสะท้อนเสียง»**[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) การวิเคราะห์เชิงทฤษฎี (Estornell & Liu, NeurIPS 2024) แสดงให้เห็นว่าเมื่อโมเดลมีความคล้ายคลึงกันมาก การโต้วาทีอาจจางลงสู่พลวัตที่นิ่งซึ่งผู้เข้าร่วมทุกคนทำซ้ำความคิดเห็นของส่วนใหญ่ แม้ว่ามันจะอ้างอิงจากข้อผิดพลาดทั่วไปในข้อมูลของพวกเขา[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) ดังนั้นในระบบแบบต่างกัน การเลือกตัวแทนอย่างรอบคอบจึงมีความสำคัญ – ตัวอย่างเช่น เลือกโมเดลที่มีระดับความรู้ที่เทียบเคียงกัน เพื่อไม่ให้ตัวใดตัวหนึ่งครอบงำหรือทำให้ตัวอื่นเข้าใจผิด[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) อีกแง่มุมหนึ่งคือ**โครงสร้างการสื่อสาร**ระหว่างตัวแทน ในการนำไปใช้งานพื้นฐาน จะใช้**โทโพโลยีแบบเชื่อมต่อครบถ้วน**ของการสื่อสาร: ในแต่ละรอบตัวแทนแต่ละตัวจะได้รับคำตอบจากตัวแทนอื่นทั้งหมด การแลกเปลี่ยน «ทุกคนต่อทุกคน» นี้เพิ่มข้อมูลที่มีอยู่ให้สูงสุด แต่สร้างต้นทุนที่สำคัญ – ปริมาณบริบทเติบโตตามสัดส่วนของจำนวนตัวแทน ซึ่งทำให้การคำนวณหนักขึ้น ทางเลือกหนึ่งคือ**โทโพโลยีแบบกระจาย** ซึ่งจำกัดว่าตัวแทนแต่ละตัวแลกเปลี่ยนข้อมูลโดยตรงกับใคร ตัวอย่างเช่น ตัวแทนสามารถจัดเรียงในรูปแบบกราฟเครือข่าย (วงแหวน ต้นไม้ ฯลฯ) ซึ่งแต่ละตัวจะได้รับคำตอบจากเพื่อนบ้านเท่านั้น การวิจัยของ Google (Li et al., 2024) พบว่า**การจำกัดการเชื่อมต่อของเครือข่ายตัวแทนสามารถลดต้นทุนการสร้างได้อย่างมีนัยสำคัญโดยไม่ลดคุณภาพ และบางครั้งยังปรับปรุงคุณภาพ**ของคำตอบเมื่อเทียบกับการอภิปรายแบบเชื่อมต่อครบถ้วน[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-arxiv-communication-3) ในการทดลองกับโมเดล GPT-3.5 และ Mistral โครงการ «เพื่อนบ้าน» แบบกระจายให้ความแม่นยำเท่ากันหรือสูงกว่าในงาน (รวมถึงคณิตศาสตร์) ในขณะที่ลดจำนวน token บริบทเฉลี่ยต่อขั้นตอนได้หนึ่งระดับ[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-arxiv-communication-3) ผลลัพธ์นี้ชี้ให้เห็นว่า**การแลกเปลี่ยนข้อความที่มากเกินไปไม่ได้จำเป็นเสมอไป** – เพียงแค่จัดระเบียบการโต้ตอบหลักระหว่างตัวแทนอย่างถูกต้อง พวกเขาก็สามารถบรรลุคำตอบที่ถูกต้องด้วยต้นทุนที่ต่ำกว่า นอกจากโทโพโลยีแล้ว ยังมี**รูปแบบการโต้วาที**ที่หลากหลาย ตัวอย่างเช่น ตัวแทนบางตัวสามารถได้รับมอบหมาย**บทบาท**ที่แตกต่างกัน: บางตัวทำหน้าที่เป็น «ผู้สร้างแนวคิด» บางตัวเป็น «ผู้วิจารณ์» หรือ «ผู้ตรวจสอบ» คำตอบ[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) แนวทางบทบาทนี้พยายามเลียนแบบการแบ่งงาน ซึ่งตัวแทนแต่ละตัวเชี่ยวชาญในงานเฉพาะ (ตัวอย่างเช่น ตัวหนึ่งเสนอสมมติฐาน ตัวที่สองตรวจสอบข้อเท็จจริง ตัวที่สามประเมินความสอดคล้องเชิงตรรกะ) อีกทางเลือกหนึ่งคือ**การอภิปรายตามลำดับ** (round-robin): ตัวแทนพูดไม่พร้อมกัน แต่ผลัดกันอย่างเคร่งครัดโดยเปลี่ยนบทบาทของผู้พูดและผู้ตอบสนองในลำดับที่กำหนด[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) ซึ่งคล้ายกับการโต้วาทีอย่างเป็นทางการที่ผู้เข้าร่วมได้รับโอกาสพูดตามกฎ ซึ่งสามารถรับประกันการมีส่วนร่วมอย่างเท่าเทียมกันของตัวแทนทุกตัว อีกแนวทางหนึ่งคือ**การควบคุมความขัดแย้งแบบไดนามิก**: ระบบสามารถเพิ่มหรือลดระดับความไม่เห็นด้วยระหว่างคำตอบของตัวแทนในแต่ละรอบโดยเจตนา[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) ตัวอย่างเช่น อาจส่งเสริมให้คำตอบแตกต่างกันสูงสุดในช่วงแรก (เพื่อครอบคลุมสมมติฐานที่แตกต่างกัน) และเมื่อเข้าใกล้ตอนสุดท้ายก็จะบรรจบกัน กลไกดังกล่าวเสนอในงานวิจัยของ Chang (2024) เพื่อป้องกันการบรรจบก่อนเวลา: มันรักษา**ระดับความขัดแย้งที่พอเหมาะ**ระหว่างตัวแทน กระตุ้นให้เกิดข้อโต้แย้งใหม่และการอภิปรายที่ลึกซึ้งยิ่งขึ้น[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) ## ข้อดีและประสิทธิภาพของแนวทาง การโต้วาทีแบบหลายตัวแทนได้รับความสนใจเนื่องจากความสามารถในการ**เพิ่มประสิทธิภาพ**ของโมเดลภาษาในงานที่ซับซ้อน งานวิจัยอิสระหลายชิ้นในช่วงปี 2023-2024 ยืนยันว่า**กลุ่ม LLM ที่โต้ตอบกันสามารถให้คำตอบที่มีคุณภาพสูงกว่าโมเดลเดียว**ที่ทำงานบนงานเดียวกัน โดยเฉพาะอย่างยิ่ง มีการแสดงให้เห็นการปรับปรุงในโดเมนที่ต้องการการให้เหตุผลที่ซับซ้อน: ตั้งแต่การคำนวณทางคณิตศาสตร์ไปจนถึงการเขียนโปรแกรมและการสรุปข้อความ ตัวอย่างเช่น Yin et al. (2023), Chan et al. (2023), Chen et al. (2024) และคนอื่น ๆ สังเกตว่าระบบหลายตัวแทนเอาชนะ LLM เดียวในงานคณิตศาสตร์ การสร้างโค้ด และแม้แต่การสร้างข้อสรุปของเอกสารได้อย่างมั่นใจ[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) เหตุผลคือ**ความหลากหลายของมุมมอง**: ตัวแทนแต่ละตัวสามารถสังเกตรายละเอียดหรือข้อผิดพลาดที่ตัวอื่นพลาดไปและให้ feedback แก่เพื่อนร่วมงาน การวิจารณ์ซึ่งกันและกันและการแลกเปลี่ยนสมมติฐานที่แตกต่างกันนำไปสู่การพิจารณางานอย่างครอบคลุมมากขึ้น[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) ทำให้คำตอบสุดท้ายแม่นยำและน่าเชื่อถือมากขึ้น ตัวอย่างเช่น นักวิจัยจาก MIT และ Google Brain นำโดย Yilun Du ได้นำเสนองาน «Improving factuality and reasoning in language models through multiagent debate» ที่ ICML 2024 ซึ่งแสดงให้เห็น**การปรับปรุงคุณภาพของคำตอบอย่างมีนัยสำคัญ**เมื่อเพิ่มการโต้วาทีระหว่างอินสแตนซ์ของโมเดลสามตัว[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-composable-llm-debate-1) ตามผลลัพธ์ของพวกเขา กระบวนการอภิปรายแบบหลายตัวแทนช่วยให้บรรลุผลลัพธ์ที่สูงกว่าในงานหลายชิ้นเมื่อเทียบกับการใช้โมเดลเดียวกันตามปกติ: **ความแม่นยำในการแก้ปัญหาทางคณิตศาสตร์และเชิงกลยุทธ์เพิ่มขึ้น** และ **จำนวนข้อผิดพลาดเชิงข้อเท็จจริงลดลง**[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-composable-llm-debate-1) โดยเฉพาะอย่างยิ่ง แนวทางหลายตัวแทนปรับปรุงผลลัพธ์ของโมเดลในการทดสอบการให้เหตุผลทางคณิตศาสตร์ การตรวจสอบข้อเท็จจริง และแม้แต่งานที่ต้องการการวางแผนเชิงกลยุทธ์[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-composable-llm-debate-1) ผู้เขียนสังเกตว่า «คำตอบสุดท้ายที่สร้างขึ้นหลังจากการอภิปรายหลายรอบนี้ ทั้งถูกต้องตามข้อเท็จจริงมากขึ้นและประสบความสำเร็จมากขึ้นในการแก้ปัญหาที่ต้องการการให้เหตุผล»[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-composable-llm-debate-1) ด้านล่างนี้เป็นภาพประกอบที่เปรียบเทียบความแม่นยำในการทำงานต่าง ๆ ของโมเดลเพียงลำพังและโดยใช้การโต้วาทีแบบหลายตัวแทน การเปรียบเทียบความแม่นยำในงานหลายชิ้นสำหรับการสร้างโดยผู้ใช้คนเดียว (สีน้ำเงิน) และสำหรับโหมดการโต้วาทีแบบหลายตัวแทน (สีแดง) แนวทางหลายตัวแทน (multi-agent debate) แสดงให้เห็นความแม่นยำที่สูงกว่าในโดเมนต่าง ๆ รวมถึงคำถามเชิงข้อเท็จจริง (ชีวประวัติ) การทดสอบความรู้ MMLU การตรวจสอบความถูกต้องของการเดินหมากรุก การแก้นิพจน์เลขคณิต ปัญหาคณิตศาสตร์เชิงข้อความระดับโรงเรียน (GSM8K) และการค้นหาการเดินหมากรุกที่เหมาะสมที่สุด[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-composable-llm-debate-1) ตามข้อมูลของกราฟ การโต้วาทีเพิ่มความสามารถของโมเดลในงานเชิงกลยุทธ์ที่ซับซ้อนโดยเฉพาะ (เช่น การค้นหาการเดินที่เหมาะสมที่สุดในหมากรุก) และลดสัดส่วนข้อผิดพลาดในการคำนวณทางคณิตศาสตร์และคำถามเกี่ยวกับความรู้เชิงข้อเท็จจริงอย่างเห็นได้ชัด ข้อดีอีกประการของแนวทางหลายตัวแทนคือ**การเอาชนะข้อจำกัดของการตรวจสอบตนเองของโมเดลเดียว** LLM เดียวมักใช้เทคนิค self-reflection (การสะท้อนตนเอง) ซึ่งโมเดลเองประเมินและแก้ไขคำตอบเริ่มต้นของมัน อย่างไรก็ตาม พบว่าวิธีนี้มีแนวโน้มที่จะเกิดปัญหา «degeneration-of-thought» – การเสื่อมของการคิด: หากโมเดลเชื่อมั่นในคำตอบเริ่มต้น เมื่อตรวจสอบตนเองก็จะไม่สร้างแนวคิดใหม่ที่แตกต่างอย่างมีนัยสำคัญ แม้ว่าคำตอบเริ่มต้นจะผิด[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-aclanthology-divergent-5) กล่าวอีกนัยหนึ่ง **โมเดลมีแนวโน้มที่จะติดอยู่กับคำตอบแรกที่คิดขึ้น โดยปฏิเสธทางเลือกอื่น**[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-aclanthology-divergent-5) การโต้วาทีแบบหลายตัวแทนช่วยลดผลกระทบนี้: ตัวแทนที่เท่าเทียมกันหลายตัวสามารถเสนอสมมติฐานที่แตกต่างกันในตอนแรกและโต้แย้งข้อโต้แย้งของกันและกันอย่างต่อเนื่อง ซึ่งกระตุ้นการค้นหาแนวคิดที่ไม่ใช่มาตรฐาน Tian Liang และเพื่อนร่วมงาน (EMNLP 2024) ตั้งชื่อโครงการหลายตัวแทนของตนว่า **MAD (Multi-Agent Debate)** และแสดงให้เห็นว่ามัน**ส่งเสริมการคิดแบบแยกส่วน (หลากหลาย)**ของโมเดลและปรับปรุงผลลัพธ์ในงานที่ต้องการการพัฒนาปัญหาเชิงลึก[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-aclanthology-divergent-5) ในการนำไปใช้งานของพวกเขา ตัวแทนหลายตัวโต้เถียงตามหลักการ «ตาต่อตา» (แต่ละตัวผลัดกันเป็นฝ่ายตรงข้ามกับข้อโต้แย้งของอีกตัวหนึ่ง) และมีผู้ตัดสินเสริมที่ดูแลกระบวนการและเลือกคำตอบสุดท้าย[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-aclanthology-divergent-5) การทดลองของ Liang et al. แสดงให้เห็นประสิทธิผลของแนวทางนี้ในชุดทดสอบที่ซับซ้อน – ในงานการแปลเชิงสามัญสำนึก (การแปลประโยคโดยคำนึงถึงสามัญสำนึกที่ซ่อนอยู่) และเลขคณิตที่ขัดกับสัญชาตญาณ (ปริศนาคณิตศาสตร์ที่มีเงื่อนไขที่ดูไม่สมเหตุสมผลในแวบแรก) การอภิปรายแบบหลายตัวแทนให้คำตอบที่ถูกต้องมากกว่าวิธีมาตรฐาน[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-aclanthology-divergent-5) การวิเคราะห์ยังพบว่าเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด ควร**หยุดการโต้วาทีแบบปรับตัว** โดยไม่ทำให้ยาวเกินไป และรักษาเพียง**ระดับความขัดแย้งที่พอเหมาะ**ระหว่างตัวแทน – พฤติกรรมที่ก้าวร้าวหรือเห็นด้วยมากเกินไปจะทำให้ผลลัพธ์แย่ลง[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-aclanthology-divergent-5) แนวทางหลายตัวแทนพิสูจน์แล้วว่ามีประโยชน์ไม่เพียงแต่สำหรับงานถาม-ตอบทั่วไปเท่านั้น แต่ยังพบการประยุกต์ใช้ในด้านอื่น ๆ เช่น เพื่อ**พฤติกรรมที่ปลอดภัยและสอดคล้องกัน**มากขึ้นของโมเดล งานวิจัยบางชิ้นใช้การโต้วาทีของตัวแทนในงาน**การกลั่นกรองและการพัฒนากฎ**: LLM หลายตัวสามารถอภิปรายว่าคำตอบที่กำหนดเป็นที่ยอมรับตามมาตรฐานจริยธรรมหรือไม่ จึงให้ feedback ซึ่งกันและกันในระหว่างการเรียนรู้แบบ Reinforcement Learning มีการสังเกตว่าการโต้วาทีสามารถสร้างสัญญาณการประเมินที่ละเอียดอ่อนและมีเหตุผลมากขึ้น ซึ่งช่วยในการปรับแต่งโมเดลเพื่อความปลอดภัยและประโยชน์ใช้สอย[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-arxiv-communication-3) นอกจากนี้ยังมีความพยายามที่จะขยายไปสู่**งานมัลติโมดัล** – ตัวอย่างเช่น เมื่อตัวแทนบางตัวอธิบายรูปภาพและตัวอื่นตรวจสอบความสอดคล้องของคำอธิบายกับรูปภาพ งานวิจัยของ Google (2024) แสดงให้เห็นความสำเร็จของการขยายนี้: แนวทางมัลติโมดัลปรับปรุงผลลัพธ์ทั้งในงานข้อความล้วนและในการทำความเข้าใจรูปภาพแบบมัลติโมดัล แสดงให้เห็นความเป็นสากลของ «สังคมแห่งปัญญา»[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-arxiv-communication-3) น่าสนใจที่ว่าการโต้ตอบในกรอบของการโต้วาทีสามารถยกระดับโมเดลที่อ่อนแอกว่าได้ ดังที่กล่าวถึงก่อนหน้านี้ ตัวอย่างเช่น เมื่อ LLM ที่มีพลังงานต่างกันเข้าร่วมในการอภิปรายทั่วไป **«โมเดลที่อ่อนแอกว่าจะค่อย ๆ แข็งแกร่งขึ้นโดยรับกลยุทธ์ที่ประสบความสำเร็จจากโมเดลที่แข็งแกร่งกว่า»**[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-arxiv-communication-3) ดังนั้น ระบบหลายตัวแทนไม่เพียงแต่แก้ปัญหาที่กำหนด แต่ยังทำหน้าที่เป็นกลไกการเรียนรู้แบบกลุ่มของโมเดลจากกันและกัน ## ข้อจำกัดและปัญหาที่ยังเปิดอยู่ แม้จะมีข้อดีที่สำคัญ แต่การโต้วาทีแบบหลายตัวแทนก็เผชิญกับ**ความยากลำบากและข้อจำกัด**หลายประการ ความท้าทายหลักประการหนึ่งคือ**ความต้องการทรัพยากรสูง**ของแนวทางนี้ การจัดระเบียบการอภิปรายต้องมีการเรียกใช้การสร้างข้อความของโมเดลขนาดใหญ่หลายครั้ง: หากมีตัวแทน n ตัวใน T รอบ จำนวนการเรียกใช้ LLM ทั้งหมดจะเพิ่มขึ้น n x T เท่าเมื่อเทียบกับการตอบครั้งเดียว นอกจากนี้ในแต่ละรอบโมเดลต้องประมวลผลไม่เพียงแต่คำถามเริ่มต้นเป็นบริบทเท่านั้น แต่ยังรวมถึงคำพูดทั้งหมดจากรอบก่อนหน้า (คำตอบของตัวแทนทั้งหมด) ดังนั้น เมื่อจำนวนตัวแทนและรอบเพิ่มขึ้น **ปริมาณอินพุตบริบทจะเพิ่มขึ้นแบบชี้กำลัง** ทำให้เกิดเอฟเฟกต์ **context explosion** – การล้นของหน้าต่างบริบทและการเพิ่มขึ้นของต้นทุนการประมวลผล[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-arxiv-communication-3) ในการทดลองพบว่าการเพิ่มแม้แต่ 2-3 รอบของการอภิปรายจะเพิ่มจำนวน token บริบททั้งหมดที่โมเดลต้องอ่านอย่างมีนัยสำคัญ และด้วยเหตุนี้จึงเพิ่มเวลาตอบสนองด้วย ในทางทฤษฎี คุณภาพของคำตอบจะดีขึ้นเมื่อจำนวนรอบเพิ่มขึ้น แต่ในทางปฏิบัติ งานวิจัยหลายชิ้นสังเกตเห็น**ผลตอบแทนที่ลดลงหลังจากไม่กี่รอบ**: บ่อยครั้งผลกระทบสูงสุดบรรลุได้ในรอบที่สองถึงสาม หลังจากนั้นการอภิปรายเพิ่มเติมอาจนำไปสู่การทำซ้ำของข้อโต้แย้งเดิมหรือแม้แต่ความแม่นยำที่ลดลงเนื่องจากบริบทที่อิ่มตัว[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) ตัวอย่างเช่น Hi et al. (2023) แสดงให้เห็นการเพิ่มขึ้นของความแม่นยำเพียงจนถึงรอบที่ 2 ของการโต้วาที จากนั้นก็ลดลง ในทำนองเดียวกัน Liu และ Li พร้อมเพื่อนร่วมงาน (2024) รายงานความคุณภาพสูงสุดที่ ~4 รอบ หลังจากนั้นรอบเพิ่มเติมจะยิ่งขัดขวาง[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) ดังนั้น **การกำหนดระยะเวลาการโต้วาทีที่เหมาะสมที่สุด** จึงเป็นงานที่ไม่ง่าย: การอภิปรายที่สั้นเกินไปอาจไม่เปิดเผยศักยภาพทั้งหมดของปัญญาส่วนรวม ในขณะที่การอภิปรายที่ยาวเกินไปอาจทำให้เกิดเสียงรบกวนของข้อมูลและการโอเวอร์โหลดบริบท ปัญหาอีกประการหนึ่งคือ**ความเสี่ยงของการบรรจบกลุ่มสู่คำตอบที่ผิด** หากตัวแทนทั้งหมดมีประสบการณ์ที่คล้ายกันและมั่นใจผิด ๆ เกี่ยวกับข้อเท็จจริงบางอย่าง พวกเขาอาจเสริมสร้างความเข้าใจผิดของกันและกัน เกิดเอฟเฟกต์**ห้องสะท้อนเสียง**: ในระหว่างการโต้วาที โมเดลบรรจบสู่ฉันทามติ แต่ไม่ใช่เพราะพวกเขาพบความจริง แต่เป็นผลมาจากการยืนยัน bias ร่วมกันในตอนแรก ผลลัพธ์เชิงทฤษฎี (Estornell & Liu, 2024) ชี้ให้เห็นว่าด้วยโมเดลที่เหมือนกัน การโต้วาทีอาจ**ตกสู่ภาวะชะงักงัน** โดยทำซ้ำความคิดเห็นของส่วนใหญ่โดยไม่มีแนวคิดใหม่[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) อันตรายเป็นพิเศษเมื่อส่วนใหญ่นี้มีข้อผิดพลาดทั่วไปที่ฝังอยู่ในข้อมูลการฝึก – ในกรณีนั้นผลลัพธ์ของการอภิปรายทั้งหมดจะไม่ถูกต้อง[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-proceedings-neurips-6)[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) เพื่อเอาชนะปัญหานี้ มีการเสนอ**วิธีการแทรกแซง**พิเศษ (diversity-pruning): ในแต่ละรอบจะมีการตัดคำตอบที่คล้ายกันมากออกอย่างอัลกอริทึม กระตุ้นให้ตัวแทนสร้างตัวเลือกที่แตกต่างกันด้วย entropy ข้อมูลสูงสุด[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-proceedings-neurips-6) ซึ่งช่วยลดความน่าจะเป็นที่คำตอบทั้งหมดจะเป็นรูปแบบต่าง ๆ ของข้อผิดพลาดเดียวกัน อีกวิธีหนึ่งคือ**การตรวจจับและหักล้างความเข้าใจผิด** (misconception refutation): ระบบพยายามระบุข้อสมมติทั่วไปของตัวแทนโดยอัตโนมัติและโต้แย้งข้อสมมติที่อาจเป็นเท็จโดยตั้งใจ[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-proceedings-neurips-6) งานของ Estornell & Liu เสนอชุดการแทรกแซงสามประการ – นอกจากที่กล่าวมา ยังรวมถึง quality-pruning (การคัดเลือกข้อโต้แย้งที่เกี่ยวข้องและมีคุณภาพสูงสุดในแต่ละขั้นตอน) – และแสดงให้เห็นว่าการรวมกันของพวกมันช่วยเพิ่มประสิทธิภาพของการโต้วาทีอย่างเห็นได้ชัดและป้องกันแนวโน้มต่อห้องสะท้อนเสียง[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-proceedings-neurips-6)[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-proceedings-neurips-6) สุดท้าย ควรสังเกตว่า**ความเสถียรและความสามารถคาดเดาได้**ของการอภิปรายแบบหลายตัวแทนยังห่างไกลจากอุดมคติ ในบางการทดลอง การโต้วาทีนำไปสู่ผลลัพธ์ที่ไม่เสถียร – การรันซ้ำของการอภิปรายเดียวกันอาจบรรจบสู่คำตอบที่แตกต่างกัน หรือคำตอบรวมกลายเป็นแย่กว่าโมเดลเดียวที่ไม่มีการโต้วาที[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) Wang et al. (2024) และ Smit et al. (2023) ต่างสังเกตเห็นกรณีที่การเพิ่มตัวแทน**ทำให้ประสิทธิภาพแย่ลง** ซึ่งบ่งชี้ถึงขอบเขตที่บางระหว่างการวิจารณ์ที่เป็นประโยชน์และการโต้แย้งที่ทำลายล้าง[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) การระบุเงื่อนไขที่แนวทางหลายตัวแทนรับประกันว่ามีประโยชน์ยังคงเป็นหัวข้อการวิจัย คำถามที่ยังเปิดอยู่ได้แก่: **จะตัดสินใจโดยอัตโนมัติอย่างไรว่าเมื่อใดควรหยุดการโต้วาทีและบันทึกคำตอบ** เพื่อไม่ให้พลาดข้อดีและไม่เข้าสู่การโต้เถียงที่ไม่สิ้นสุด และ**วิธีใดในการตัดสินใจร่วมกัน** – ไม่ว่าจะผ่านการลงคะแนน ฉันทามติ หรือด้วยความช่วยเหลือของผู้ตัดสินภายนอก – ที่น่าเชื่อถือที่สุดสำหรับงานประเภทต่าง ๆ[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) นอกจากนี้ปัญหา**ความปลอดภัยและการควบคุม**ของระบบหลายตัวแทนก็เร่งด่วน: ต้องแน่ใจว่าตัวแทนจะไม่ร่วมกันสร้างเนื้อหาที่ไม่พึงประสงค์หรือเป็นพิษ และไม่เสริมสร้างแนวโน้มที่เป็นอันตรายของกันและกัน คำถามเหล่านี้ โดยเฉพาะที่เกี่ยวกับ**ความปลอดภัยและการขยายขนาด** ได้รับการยอมรับว่าเป็นเรื่องเร่งด่วนและซับซ้อน[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) บทวิจารณ์สมัยใหม่สังเกตว่าต้องการการวิจัยเพิ่มเติมที่อุทิศให้กับการพัฒนา**กฎการหยุดที่น่าเชื่อถือ**ของการอภิปราย การประเมิน**ความสามารถในการขยายขนาด**ของแนวทางเมื่อจำนวนตัวแทนและรอบเพิ่มขึ้น และการนำวิธีการที่รับประกัน**ความน่าเชื่อถือและความถูกต้อง**ของคำตอบที่ได้รับร่วมกัน[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_note-litreview-problem-solving-4) การแก้ปัญหาเหล่านี้จะช่วยเปลี่ยนการโต้วาทีแบบหลายตัวแทนให้เป็นเครื่องมือที่ทรงพลังและเป็นสากลยิ่งขึ้นสำหรับการสร้างระบบปัญญาประดิษฐ์ที่**ฉลาดและปลอดภัย**ยิ่งขึ้น ## ลิงก์ - Improving Factuality and Reasoning in Language Models with Multiagent Debate — หน้าโครงการ - AI safety via debate — บทความต้นฉบับของ OpenAI - Improving Multi-Agent Debate with Sparse Communication Topology — บทความเกี่ยวกับการปรับปรุงการสื่อสาร - Literature Review Of Multi-Agent Debate For Problem-Solving — บทวิจารณ์วรรณกรรม - Encouraging Divergent Thinking in Large Language Models through Multi-Agent Debate — บทความเกี่ยวกับ MAD - Improving Multi-Agent Debate with Contrastive Deliberation and Diversity-Promoting Interventions — บทความ NeurIPS 2024 ## วรรณกรรม - 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. ## หมายเหตุ 1. ↑ [1.00](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-composable-llm-debate_1-0) [1.01](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-composable-llm-debate_1-1) [1.02](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-composable-llm-debate_1-2) [1.03](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-composable-llm-debate_1-3) [1.04](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-composable-llm-debate_1-4) [1.05](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-composable-llm-debate_1-5) [1.06](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-composable-llm-debate_1-6) [1.07](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-composable-llm-debate_1-7) [1.08](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-composable-llm-debate_1-8) [1.09](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-composable-llm-debate_1-9) [1.10](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#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_(TH)#cite_ref-arxiv-ai-safety_2-0) [2.1](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#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_(TH)#cite_ref-arxiv-communication_3-0) [3.1](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-arxiv-communication_3-1) [3.2](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-arxiv-communication_3-2) [3.3](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-arxiv-communication_3-3) [3.4](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-arxiv-communication_3-4) [3.5](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-arxiv-communication_3-5) [3.6](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-arxiv-communication_3-6) [3.7](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-arxiv-communication_3-7) [3.8](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#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_(TH)#cite_ref-litreview-problem-solving_4-0) [4.01](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-1) [4.02](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-2) [4.03](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-3) [4.04](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-4) [4.05](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-5) [4.06](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-6) [4.07](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-7) [4.08](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-8) [4.09](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-9) [4.10](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-10) [4.11](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-11) [4.12](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-12) [4.13](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-13) [4.14](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-14) [4.15](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-15) [4.16](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-16) [4.17](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-17) [4.18](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-18) [4.19](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-19) [4.20](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-20) [4.21](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-litreview-problem-solving_4-21) [4.22](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#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_(TH)#cite_ref-aclanthology-divergent_5-0) [5.1](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-aclanthology-divergent_5-1) [5.2](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-aclanthology-divergent_5-2) [5.3](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-aclanthology-divergent_5-3) [5.4](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-aclanthology-divergent_5-4) [5.5](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#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_(TH)#cite_ref-proceedings-neurips_6-0) [6.1](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-proceedings-neurips_6-1) [6.2](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-proceedings-neurips_6-2) [6.3](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-proceedings-neurips_6-3) [6.4](https://systems-analysis.info/int/Multi-Agent_Debate_(TH)#cite_ref-proceedings-neurips_6-4) «Improving Multi-Agent Debate with Contrastive Deliberation and Diversity-Promoting Interventions». *NeurIPS 2024*. [6]