One Human, N Agents: Audit-Budget Allocation for LLM Agent Fleets under Miscalibrated, Correlated Confidence论文重点本文针对“一人监督N个LLM智能体”这一现实困境构建了预算受限下的噪声审计模型。研究发现当智能体自报置信度存在对抗性校准偏差时存在一个临界阈值δ*超过该阈值后“按置信度排序审计”策略将劣于随机审计且预算越紧δ*反而越高——这一反直觉发现揭示了稀缺预算对极端低置信度尾部的天然保护作用。核心研究内容问题定义随着LLM部署从单模型向多智能体集群fleet演进一个人类监督者需要在每轮仅能审计B个B ≪ N智能体的情况下从N个智能体中识别错误。监督者依赖智能体自报的置信度作为优先级信号但这些置信度可能存在系统性校准偏差且智能体之间的错误具有相关性。核心问题在于当置信度信号被“污染”到何种程度时基于置信度的审计策略会比随机审计更差以及当置信度信号完全失效时错误相关性能否成为替代的信息来源创新方法1. 双层高斯Copula模型将智能体错误相关性分解为两层——集群范围的共享因子如题目难度和同家族内部的额外相关性。这种分解使得研究者能够量化“共享难度”与“家族谱系”各自对错误相关性的贡献。2. 对抗性校准偏差建模将置信度分布建模为正确输出与错误输出的混合其中δ表示错误输出中“伪装”成正确输出置信度分布的比例。δ越大置信度信号越不可靠。3. 多样性贝叶斯策略一种考虑相关性的审计分配策略——审计一个智能体后以权重w更新其同家族兄弟的后验信念。4. 空洞监督Vacuous Oversight量化准则首次给出了“橡皮图章式监督”的定量判据——当最优策略相比无监督的风险降低不足τ时监督即为空洞的。研究成果关键发现一H1——翻转阈值与反直觉方向存在临界阈值δ*超过后置信度排序审计劣于随机审计。反直觉的是δ随预算缩小而上升B/N0.02时δ0.93B/N0.2时δ*0.75。预算越紧反而越“安全”——因为稀缺预算只审计极端低置信度尾部该尾部退化最慢。关键发现二H2——相关性感知的传递增益多样性贝叶斯策略相对随机的优势随相关性ρ增长ρ0时0.34风险单位ρ0.8时3.47风险单位。但该增益需要持续性错误配置φ1若错误每轮独立重置φ0优势从3.47坍缩至0.29。关键发现三H3——空洞监督的普遍性在44个参数组合中10个在τ0.1下为空洞监督。B/N0.02时几乎无论δ如何监督都是橡皮图章。关键发现四H4——实测模型的校准状况五个开源模型Qwen3 0.6B/4B/8B、Mistral-7B、Phi-4-mini的置信度近乎常数方差≤0.016ECE达0.43–0.94AUROC≈0.5——置信度信号操作上无用。点估计位于翻转阈值之上或附近但置信区间跨越阈值。而gpt-4o-mini的置信度具有信息量AUROC 0.59/0.56明确位于阈值之下。关键发现五——相关性来源跨家族潜在相关性为0.33–0.85与家族内部重叠。在控制题目难度后家族谱系的额外相关性∆ρ在GSM8K上为-0.009[-0.064, 0.047]HotpotQA上为0.023[-0.035, 0.086]——两者置信区间均包含零共享题目难度而非谱系解释了错误相关性。实际落地应用的可能性直接应用场景AI监管合规EU AI Act第14条要求高风险AI系统具备有效人类监督。本文提供的空洞监督准则可作为合规性量化的技术参考。LLM集群运维当部署多智能体系统时可预先测量各模型的δprec值判断置信度信号是否值得信任。审计策略选择若δ δ*应放弃置信度排序策略改用随机审计或基于相关性的传递策略。局限性测量基于单一提示协议单次回答置信度不含CoTgpt-4o-mini仅为单个专有模型的数据点实验N15的小规模集群技术细节核心数学模型错误生成机制双层高斯CopulaZ i ρ 0 G 0 ρ f − ρ 0 G fam ( i ) 1 − ρ f U i Z_i \sqrt{\rho_0}\,G_0 \sqrt{\rho_f - \rho_0}\,G_{\text{fam}(i)} \sqrt{1 - \rho_f}\,U_iZiρ0G0ρf−ρ0Gfam(i)1−ρfUiE i 1 { Φ ( Z i ) e i } E_i \mathbf{1}\{\Phi(Z_i) e_i\}Ei1{Φ(Zi)ei}其中G 0 , G fam , U i ∼ N ( 0 , 1 ) G_0, G_{\text{fam}}, U_i \sim \mathcal{N}(0,1)G0,Gfam,Ui∼N(0,1)ρ 0 \rho_0ρ0集群范围共享因子如题目难度ρ f \rho_fρf同家族内潜在相关性ρ f ≥ ρ 0 \rho_f \geq \rho_0ρf≥ρ0e i ∼ U ( 0.05 , 0.30 ) e_i \sim U(0.05, 0.30)ei∼U(0.05,0.30)各智能体的基础错误率置信度生成机制正确输出c ∼ Beta ( 6 , 2 ) c \sim \text{Beta}(6, 2)c∼Beta(6,2)错误输出( 1 − δ ) Beta ( 3 , 3 ) δ Beta ( 10 , 1.5 ) (1-\delta)\,\text{Beta}(3,3) \delta\,\text{Beta}(10,1.5)(1−δ)Beta(3,3)δBeta(10,1.5)δ的含义错误输出中“模仿正确输出置信度分布”的比例。δ越大置信度越不可靠。审计与风险度量Residual Risk R ( π ) E [ ∑ i E i ⋅ 1 { i ∉ caught ( A t ) } ] \text{Residual Risk } R(\pi) \mathbb{E}\left[\sum_i E_i \cdot \mathbf{1}\{i \notin \text{caught}(A_t)\}\right]Residual RiskR(π)E[i∑Ei⋅1{i∈/caught(At)}]即每轮未被检测到的预期错误数。空洞监督判据R none − R π R none τ \frac{R_{\text{none}} - R_{\pi}}{R_{\text{none}}} \tauRnoneRnone−Rπτ即最优策略相比无监督的风险降低不足τ时监督为“空洞的”。策略对比策略描述random随机选择B个智能体审计conf_ranked审计置信度最低的B个智能体round_robin轮询审计oracle_confδ0时的理想置信度排序不可部署的上界diversity_bayes每智能体Beta后验审计更新同家族兄弟权重w批处理贪心后验UCB实验配置合成实验E1N ∈ { 20 , 100 } , F ∈ { 1 , 4 } N \in \{20, 100\}, F \in \{1, 4\}N∈{20,100},F∈{1,4}B / N ∈ { 0.02 , 0.05 , 0.1 , 0.2 } B/N \in \{0.02, 0.05, 0.1, 0.2\}B/N∈{0.02,0.05,0.1,0.2}δ ∈ { 0 , … , 1 } , ρ ∈ { 0 , … , 0.8 } , ε ∈ { 0 , … , 0.2 } \delta \in \{0, \ldots, 1\}, \rho \in \{0, \ldots, 0.8\}, \varepsilon \in \{0, \ldots, 0.2\}δ∈{0,…,1},ρ∈{0,…,0.8},ε∈{0,…,0.2}每参数组200次重复T50轮实测实验E2 E36个模型Qwen3 {0.6B, 4B, 8B}、Mistral-7B-Instruct-v0.3、Phi-4-mini-instruct、gpt-4o-mini500个固定题目GSM8K和HotpotQA含干扰项温度0单次回答0–100置信度错误判定GSM8K精确匹配HotpotQA EM/F1回放策略于15智能体集群5模型×3实例B∈{1,2,3}研究设定硬件/软件配置模型推理开源模型Qwen3 0.6B/4B/8B、Mistral-7B-Instruct-v0.3、Phi-4-mini-instruct专有模型gpt-4o-mini通过API托管数据集GSM8K数学推理HotpotQA多跳问答含干扰项评估指标ECEExpected Calibration Error衡量校准质量AUROC置信度区分正确/错误的能力δprec基于审计尾部错误精度的分配忠实统计量潜在相关性通过Copula逆映射估计统计分析所有预设对比经Holm校正2000样本Bootstrap报告点估计与95%置信区间综合分析理论贡献这篇论文在几个层面上做出了重要贡献。首先它首次将“预算分配”问题从传统的实例分配instance allocation范式转向了“智能体审计”agent auditing范式。传统工作关注如何将数据点分配给模型或人类专家而本文关注的是给定一群持续运行的智能体如何分配有限的人类审计资源来检测错误。这一范式转换反映了LLM部署从“单模型推理”向“多智能体集群”演进的现实趋势。其次反直觉的发现——预算越紧置信度排序策略越安全——具有深刻的管理学含义。直觉上预算紧张时应更依赖置信度信号来“把钱花在刀刃上”但模型揭示当预算极紧时你只审计最极端的低置信度尾部而这个尾部即使在高δ下也相对“干净”。相反预算充裕时会“深入”置信度分布的中间区域那里正是被“污染”最严重的地方。这一发现提示审计预算的扩大并不自动意味着监督质量的提升——它可能恰恰打开了“中毒信号”的潘多拉魔盒。第三“相关性既是威胁也是资源”的双重性判断极具洞见。错误相关性意味着错误会聚集——超出任何固定预算能覆盖的范围。但同时当置信度信号完全失效时如开源模型的情况相关性成为唯一可用的信息源。多样性贝叶斯策略正是利用了这种相关性审计一个智能体更新其兄弟的后验信念。第四对“共享难度 vs 谱系”的分解澄清了一个重要的实践问题。在控制题目难度后家族谱系的额外相关性近乎为零。这意味着你不需要知道模型的“家族树”来利用相关性——集群范围内的共享因子题目难度已经捕获了绝大部分相关信息。这一结论简化了实际部署中的相关性建模。实证发现的警示实测部分的结果令人警醒五个开源模型涵盖0.6B到8B的置信度近乎常数方差≤0.016。这意味着在这些模型上“按置信度排序审计”等价于随机审计——置信度信号完全没有提供任何有用信息。点估计显示这些模型位于翻转阈值之上或附近。值得注意的 nuance论文明确指出“全局AUROC不是审计价值的充分统计量”——真正重要的是被审计尾部的错误构成。这提醒我们不要仅凭AUROC判断置信度的审计价值而要关注实际审计的尾部。局限性反思论文坦诚地列出了多项局限置信度测量基于单一提示协议单次回答无CoT——更丰富的 elicitation 方法可能恢复部分信息量相关性在“对齐题目”上测量——若智能体处理不同输入则为上界估计gpt-4o-mini仅为一个专有模型的数据点不足以代表托管模型群体回放实验N15属于初步验证假设智能体“诚实但校准偏差”honest-but-miscalibrated未考虑战略操纵——后者属于AI Control的范畴实践应用对AI系统部署者的建议1. 部署前测量δprec在依赖置信度进行审计分配前先在小规模标注数据集上测量模型的δprec值并与理论δ*(B/N)对比。若δprec δ*置信度排序策略将劣于随机。2. 开源模型需谨慎当前实证表明小/中型开源模型的置信度信号近乎无用。若必须使用此类模型应考虑采用随机审计或轮询策略而非置信度排序利用错误相关性进行传递性审计diversity_bayes策略探索更丰富的置信度 elicitation 方法如多次采样、logits分析3. 预算设计需考虑翻转效应增加审计预算不一定提升监督质量。在预算扩张时需重新评估δ*——因为δ*随B/N增加而下降意味着更大预算下置信度信号更容易“中毒”。4. 相关性建模聚焦“难度”而非“谱系”实测表明共享题目难度主导错误相关性。在实践中可按任务类型/难度分层建模相关性而非按模型家族。对监管合规的启示EU AI Act第14条要求高风险AI系统具备“有效人类监督”。本文提出的空洞监督准则τ- criterion提供了一个可量化的合规参考。监管机构或可要求高风险系统报告其R(π)相对R_none的降低比例并设定最低τ阈值。对未来研究的建议多提供商调查扩展专有模型的样本量战略情形当智能体有意操纵置信度时的审计策略顺序审计一轮内可依赖先前审计结果动态调整更丰富的置信度 elicitationCoT、多次采样、logits方差等频繁微调场景φ1时的策略设计参考资料来源原始论文: One Human, N Agents: Audit-Budget Allocation for LLM Agent Fleets under Miscalibrated, Correlated ConfidencearXiv: arXiv:2607.28317 [cs.AI]PDF全文: https://arxiv.org/pdf/2607.28317