对抗同伴下的异构大语言模型辩论：诚实收益、替换成本与韧性

本文研究了异构大语言模型辩论中多样同伴的纠正作用与对抗影响的博弈。通过追踪诚实代理在辩论中的修正行为，对比了同质、混合及受污染面板在四个模型家族和三个推理基准上的表现。研究发现，诚实的异构同伴显著降低有害修正率，而对抗性同伴则逆转此效果。特别是在已有同族对抗者存在时，引入诚实异构同伴能有效防御，大幅减少初始正确答案的丢失率。结果表明，异质性既是攻击面，也是针对现有对抗者的有效防御机制。