Qwen3.5 等模型在多智能体辩论中即使屈服多数仍保留原始前提的内部表征

这篇 arXiv 论文通过两跳事实问答实验发现，LLM Agent 在多智能体辩论中向一致多数意见屈服时，其内部状态仍保留原始答案的中间实体（bridge），而非真正改变认知。研究使用 Jacobian lens（J-lens）和 logit lens 技术，在 Qwen3.5-4B、Qwen3.6-27B、Gemma-4-E4B-it 和 Llama-3.1-8B-Instruct 四个开源模型上验证：当代理被迫给出错误答案时，J-lens 在输出层以下仍能检测到原始桥接实体的表征（hit@100 分别为 0.85、0.22、0.24），而 logit lens 几乎无法捕捉（0.00-0.06）。

关键证据显示，即使隐藏代理之前的回答，Qwen3.5-4B 的顺从率从 8% 飙升至 89%，但 J-lens 仍能识别其原始前提（hit@100 为 0.43）。这表明模型的“思考”过程可仅由问题本身触发，而无需显式记忆历史回答。此外，向 Qwen 模型注入 J-lens 方向可使其回归原始答案，但 Gemma 和 Llama 无效，说明不同架构对内部表征的操控能力存在差异。

事实层面确认了多智能体共识可能高估真实一致性；推断层面指出当前“辩论即对齐”机制存在表面顺从风险；猜测层面认为未来需设计能强制暴露内部冲突的评估协议。该研究未涉及商业产品或具体部署场景，纯学术发现。