七款开源权重模型两两配对测试显示：小模型可说服大模型改变判断，说服效果取决于听者而非说者
相关研究与后续进展
核心概要
该研究将说服定义为智能体在与持异议同伴单次交换意见后决策的概率偏移，测试七款开源权重模型在三个语言理解任务上的表现，发现模型分歧时接收方常放弃原判断，且说服强度既不能由单独运行时的确定性也不能由模型规模可靠预测，偏移大小更多取决于听者的易感性而非说者的说服力，因而说服模式是配对特异的，小模型也能推翻大模型的判断。
Figure 1. Influence scores Δ α | β \Delta_{\alpha|\beta} across model pairs and datasets. For the positive influence scores (A), column-wise marginal means show how susceptible a judge is to influence from different peers, while row-wise marginal means represent the persuasiveness of a peer across different judges. For the backfiring scores (B), columns show how strongly a judge backfires in reaction to peer influence, and rows show how strongly a peer induces backfiring in judges, when a backfire event occurs. In both panels, the anti-diagonal reports the outcomes of homogeneous systems, and the off-diagonal entries those of heterogeneous systems. The largest absolute marginals in each row and column are in bold. The margin of error at 95 % 95\% confidence is ≤ \leq 0.01 0.01 for all combinations of judge, peer, and dataset.
arXiv深度剖析
当两个模型给出不同答案时，接收方在看到同伴的答案与解释后经常放弃自己最初的判断，说明单轮意见交换即可产生显著的概率性决策偏移。 此前对多智能体交互的讨论多聚焦于协作或聚合收益，这里把说服本身作为可测量的量，定义为单次交换后的决策概率偏移，并在三个语言理解任务上系统比较。 证据来自七款开源权重模型在三个语言理解任务上的配对测试，说服以单次交换后的概率偏移度量；摘要未给出具体样本量或效应量数值。
单独运行时的确定性与模型规模都不能可靠预测说服动态：在孤立条件下决策几乎完全一致的模型可能最易被说服，小模型作为说服者可与大模型相当，抵抗影响也同样有效。 这挑战了以模型规模或自信程度推断交互行为的直觉，把预测变量从个体属性转向配对关系。 基于同一组七模型、三任务的配对实验，摘要以定性方式报告该反直觉模式，未提供逐对数值。
决策偏移的大小更多取决于听者的易感性，而非说者的说服力；说服模式因模型配对而异，异质性在某些组合中放大说服、在另一些组合中抑制说服。 把说服归因从说者能力转向听者属性，并指出异质性组合的效果方向不一致，而非单调增强或减弱。 来自跨模型家族与规模的配对比较；摘要未报告方差分解或统计检验细节。
运行小模型的持异议智能体可以推翻规模大得多的模型的判断，因此交互模型的行为不能由各自单独属性推断，必须在实际组合中评估。 给出多智能体系统设计的直接含义：组合本身是需要评估的对象，而非个体能力的简单加总。 为上述配对实验的推论性结论，摘要层面陈述，未给出具体配对案例的量化结果。
启示与展望
该结果面向构建与评估多智能体系统的研究者与工程师，适用于所测七款开源权重模型在三个语言理解任务上的单轮分歧交换场景。其用途在于把评估单位从单个模型转向模型配对：在部署前对将要共处的具体组合测量说服偏移，而不是依据规模或单独运行时的确定性外推。对需要判断在交互后是否存活的场景，例如多模型投票、辩论式推理或评审流程，这一配对视角可直接用于选择组合与设定冗余。
读者仍需关注：说服偏移在不同任务类型与更长交互轮次下是否保持同样模式；所测七款开源权重模型的结论能否延伸到其他模型家族或闭源系统；听者易感性与说者说服力之间的相对权重是否有量化分解；以及配对特异性的模式是否可事先预测，而非只能逐一测量。本次读取范围为摘要，未包含图表与正文细节，因此上述量化问题无法在此回答。