摘要：面向并行多智能体推理系统的序列概率不确定性估计
基于LLM的多智能体系统（MAS）因通过多个智能体之间的交互来提升推理能力而受到越来越多的关注。在这项工作中，我们聚焦于并行多智能体推理系统，其中多个智能体在多轮中解决同一问题，并将其输出聚合为最终答案。尽管这类系统具有强大的推理性能，但其不确定性估计仍未得到充分探索：MAS的可靠性不仅取决于单个生成结果，还取决于智能体如何在多轮中交互和演化。我们提出SAUCE（Sequential Agent Uncertainty through Consensus Evolution），一种轻量级、免训练的不确定性估计器，它将MAS不确定性建模为对潜在系统级信念的序列推断。SAUCE通过滤波式更新聚合轮级一致性和生成不确定性信号。在五个骨干模型、五个基准和两种MAS协议上，SAUCE在误分类检测、选择性预测和校准方面优于广泛的不确定性估计基线，包括标准的基于对数似然的方法和MAS专用估计器。