post/agentic-academic-literature-understanding-1.5-cn/

[giscus[bot]]

post/agentic-academic-literature-understanding-1.5-cn/

Homepage and blog for Zhenghao Wu (ECWU), sharing thoughts on technology, everyday experiences, and photography. Engaging with the community through knowledge sharing.

https://ecwuuuuu.com/post/agentic-academic-literature-understanding-1.5-cn/

[HarryHsing]

Cool! 下面这个实验有更详细的信息嘛？是通过LLM调用SAM作为tool吗

指标	数值
迭代轮数	2 轮（收敛分数 0.74 → 0.85）
LLM 调用	~88 次（单体系统的 ~20 倍）
结果	成功收敛，识别出 4 个共识点与 2 个分歧点

[ecwu]

目前还不涉及 LLM 调用工具，这个多智能体系统是为了讨论论文（这里就是 Segment Anything 这篇文章）。所谓的收敛分数是指所有智能体的观点一致性。

输出的完整讨论结果在这里：https://gist.github.com/ecwu/55c0da590c2da2e1be2369a252573166

[TerenceLiu98]

Très belle exploration — ce qui frappe ici, ce n’est pas simplement le passage au multi-agents, mais le fait de traiter le désaccord comme un signal de premier ordre. Là où beaucoup de systèmes parallélisent ou votent, ton architecture crée délibérément de la tension (via des biais structurés) puis organise sa résolution. On se rapproche davantage d’un séminaire académique que d’un simple pipeline de raisonnement.

Ton analyse du phénomène d’acquiescence est particulièrement juste : beaucoup de “self-correction” actuels ne sont en réalité que de l’alignement au ton, pas une défense épistémique des hypothèses. Forcer des agents à “tenir leur position” via des rôles biaisés me semble, en effet, plus fondamental que d’ajouter une couche de vérification externe.

Une question intéressante concerne l’objectif implicite du système : le mécanisme de convergence (scores, seuils) suppose que le consensus est désirable. Or tu notes toi-même que certaines non-convergences sont riches en information. Peut-être qu’une évolution naturelle serait de passer de converger à cartographier l’espace des désaccords — par exemple en maximisant la densité d’information des divergences plutôt que leur réduction.

Enfin, le trade-off coût/qualité est ici très concret : multiplier les appels pour obtenir une trace argumentative structurée est pertinent en contexte de recherche, mais en production, il faudra sans doute introduire des stratégies de type early stopping ou déclencher la discussion uniquement sur des zones d’incertitude élevée.

Au fond, ce travail donne l’impression de faire passer le raisonnement d’un processus individuel à un processus social simulé. Très curieux de voir la suite avec des experts générés dynamiquement — ce serait un pas vers des biais non plus conçus, mais émergents.