企业官网建设流程全解析

文章核心总结与翻译

一、主要内容

文章针对大型语言模型（LLMs）存在的不一致性和幻觉问题，提出了一种无需训练、基于博弈论的框架——Peer Elicitation Games（PEG）。该框架通过生成器与多个鉴别器的多智能体互评机制，在不依赖真实标签和模型微调的情况下，激励模型输出真实、一致的结果。理论上证明了真实报告是纳什均衡，且通过在线镜像下降算法可实现次线性遗憾和末次迭代收敛；实证上在ARC、MMLU等多个基准数据集上，事实准确率提升超10%，小型模型（如7B参数）性能可匹配甚至超越大型模型（如65B参数）。

二、创新点

1. 提出无监督无微调框架：无需真实标签和模型微调，仅通过多智能体互评实现LLMs真实性对齐，解决了传统方法计算成本高、依赖标注的问题。
2. 博弈论激励机制：基于行列式互信息分数设计效用函数，证明真实报告是占优策略和纳什均衡，避免了共识类方法可能出现的合谋或无信息均衡。
3. 理论保障完备：首次为多智能体LLM对齐提供次线性遗憾和末次迭代收敛的理论证明，确保系统长期稳定且真实。
4. 跨模型协同能力：支持异构鉴别器协同，让小型模型通过集体智能超越单个大型模型，提升资源受限场景的实用性。

三、核心部分翻译（Markdown格式）

Abstract

大型语言模型（LLMs）已展现出强大的生成能力，但仍容易出现不一致性和幻觉问题。本文提出了同伴启发博弈（PEG），这是一种