研究论文
异构 LLM 多智能体协作新框架：基于熵的自适应引导
arXiv 论文提出基于熵的自适应引导框架，解决异构 LLM 多智能体系统强弱模型协作时认知失配的问题。
2026.09.25 · 周五约 2 分钟阅读
在由能力参差不齐的大模型组成的多智能体协作系统里，「强者带弱者」并非总能胜出。近日发表于 arXiv 的论文《Entropy-Based Guided Collaboration in Heterogeneous LLM Multi-Agent Systems》（编号 2602.13639）指出，认知失配才是制约异构协作效果的关键瓶颈，并据此提出了一套基于熵的自适应引导框架。
反直觉现象：强—弱协作未必优于弱—弱
作者将由不同能力水平模型构成的协作系统定义为「强—弱系统」。通过系统化实验，论文披露了一个反直觉结果：在部分任务上，强模型与弱模型的组合表现，反而弱于两个弱模型之间的协作。这意味着，提升异构协作效果的关键不在于堆叠更强的模型，而在于弥合认知层面的不匹配。
框架核心：多维熵 + 三级引导 + RAG 记忆
为应对上述挑战，论文设计了基于熵的自适应引导框架，包含三层机制：
- 多维熵度量：从表达、不确定性、结构、连贯性、相关性五个维度量化弱模型对任务的真实理解程度。
- 三级引导强度：依据认知状态动态切换轻度、中度、密集三档引导力度，避免过度或不足干预。
- RAG 协作记忆：检索增强生成模块用于保留历史成功协作经验，兼顾即时适配与长期学习。
实验结果
论文在 GSM8K（数学推理）、MBPP（代码生成）、CVRP（路径规划）三个公开基准上展开大量实验。结果显示，所提方法不仅能持续提升异构协作的最终效果，也有助于稳定性的提高，为构建更稳健、可扩展的多智能体协作智能提供了可行路径。
局限与参考价值
需要指出的是，该工作目前仍为 arXiv 预印本，尚未经过同行评审；其结论在更广泛任务和模型组合上的普适性，仍有待独立验证。不过，「认知失配」这一视角本身，对多智能体系统的设计与评测具有方法论层面的参考意义，也提醒研究者在构建异构协作流水线时，不能仅以模型能力高低作为唯一设计依据。