研究：多智能体代码评审何时真正有据可依
原文标题：When Is a Multi-Agent Code Judge Actually Grounded? Two Label-Free Measurements, and a Judge That Declines to Guess
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出多智能体代码验证方法要求证据独立于被审答案且在候选间有差异，而代码评判场景不满足第二个条件。在 MARCH 框架上测试发现，它在 78%–95% 的比较中判定两解同样好，准确率仅 4.4%，远低于直接询问模型的 43.7%。作者提出两种无需标签的度量，据此让流水线在无把握时拒答，准确率从 20.7% 提升至 36.9%。
- 问题
- 多智能体代码验证在证据不独立于答案、候选间无差异时给出无依据的自信判断。
- 方法
- 指出代码评判不满足证据差异条件，用流水线日志中两种无标签度量让系统在无把握时拒答。
- 结果
- MARCH 在 78%–95% 比较中判两解同样好，准确率 4.4% 对比直接询问 43.7%；加门控后从 20.7% 升至 36.9%。
- 影响
- 代码评审类智能体应输出「无法判断」而非硬给结论，可显著降低误判。
深读 · 结论先行AI 生成展开看要点与影响 ↓
多智能体代码评审在78%–95%比较中判两解同样好，准确率仅4.4%，远低于直接问模型的43.7%。
- •多智能体验证要求证据独立于答案且在候选间有差异，代码评判不满足第二条
- •MARCH框架在80组测量中78%–95%比较判两解同样好，准确率4.4%
- •同一模型直接询问准确率达43.7%，换更简单题或更大评判模型均无效
- •用流水线日志中两个无标签度量做门控，准确率从20.7%升至36.9%，仍答一半比较
为什么重要：提醒依赖多智能体验证做代码评审的团队：方法失效时不会报告「无证据」，需要无标签机制识别评判者何时没有依据。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。