延迟下降20×，token减少4.4×！突破多智能体「共识」瓶颈

过去一年，LLM Agent几乎成为所有 AI 研究团队与工业界的共同方向。

OpenAI在持续推进更强的推理与工具使用能力，Google DeepMind将推理显式建模为搜索问题，Anthropic则通过规范与自我批判提升模型可靠性。

一个非常清晰的行业趋势正在形成：单模型能力正在接近结构性边界，多智能体被视为下一步。

Advaita Research/Hetu联合创始人Jialin Li发布的最新研究论文，为多智能体协作共识提出了明确的理论框架，并给出了一组生产级系统指标的跃迁式改善：在accuracy基本不变的前提下，实现最高20×端到端延迟下降，最高11×的P99尾延迟改善，以及最高4.4×的token成本削减。

论文链接：https://arxiv.org/pdf/2512.20184

英文版链接：https://x.com/advaita_labs/status/2018576622048473241

这项工作将多智能体推理的问题，从prompt与workflow设计，重新拉回到系统设计和工程层面：一致性语义、停止条件与尾延迟治理。

在工程语境中，论文给出的核心判断可以概括为一句话：当前多智能体系统，缺乏一套明确的Agentic Consensus（智能体共识）系统语义。

Advaita Research / Hetu CMO Stephanie Yu从系统工程视角对论文进行了解读。

研究背景

在当前主流路线中，大型研究机构对Agent的探索大致可以分为三类，但它们在一个关键问题上保持了共同的沉默：当多个随机推理主体并行工作时，系统何时可以认为已经达成稳定一致？

OpenAI：强化单主体推理能力

OpenAI的路线始终围绕test-time scaling，包括self-consistency、多路径推理、更强的 chain-of-thought、更成熟的 tool use。

该体系在单主体条件下具有非常清晰的工程优势：推理质量高度可控、行为一致性强、工程复杂度集中。

其隐含前提同样明确：系统只有一个决策主体。

一旦扩展为多个planner、多个actor并行执行，一致性不再由模型内部保证，而被外包给上层workflow的规则组合。

Google DeepMind搜索式推理

Tree-of-Thoughts等方法将推理显式建模为搜索问题，通过评估函数在候选路径中选择最优解。

该范式在离线推理和数学问题上表现稳定，但在系统层面呈现出两个明显特征：推理过程高度同步、停止条件由搜索深度或预算上限决定。

本质上，这类方法优化的是路径质量，而不是在并发、延迟与成本约束下的决策时机问题。

Anthropic/Meta启发式协调

Anthropic的constitutional debate，以及Meta、Stanford 提出的多 Agent debate / society-of-minds，引入了多主体交互。

在工程实现上，这类系统通常依赖：固定agent数、固定轮数、barrier synchronization（等待所有 agent 完成）、多数投票或规则聚合。

但这些机制并没有给出稳定一致性的系统定义。

当主流Agent路线仍在强化「如何更好地推理」，将多智能体视为推理技巧的叠加时，

Advaita Research的这项研究把问题下沉到了系统层：在多个随机推理主体并行时，如何定义、验证并稳定达成一致。

把多智能体当成分布式系统

论文提出的核心方法体系为Aegean，其根本重构在于：多智能体推理不再被视为workflow编排问题，而被建模为一个分布式共识过程。

不同于传统分布式系统，智能体决策呈现随机不确定性，使得现有共识协议架构无法适用。论文针对多智能体环境提出了新的共识理论框架，并给出了严谨的多智能体共识的正确性定义。

论文之后基于理论框架提出了新的共识协议。其核心机制包括三点：

（1）Quorum-fast，而不是wait-all

系统不再等待所有agent，只要达到 quorum 即推进决策，延迟不再由最慢 agent 决定。

（2）稳定性窗口（β），而不是「一致就停」

一致性必须在时间维度上持续存在，才能被视为有效共识，从而过滤暂时性多数。

（3）Streaming共识与即时取消

在token生成过程中持续检测共识状态，一旦满足稳定条件，立即终止剩余生成。

详细结果与实验分析

论文指出：多智能体推理，本质上是运行在随机推理主体之上的分布式共识问题。

一旦缺乏明确的共识语义，工程失败并非偶发，而是呈现出高度可预测的系统性模式。

暂时性一致：多数并不稳定标题

论文系统性测量了decision flip现象（在现有Agent workflow中几乎未被显式建模）。

结果显示：在引入agent间 reasoning exchange后，准确率提升的同时，多数决策在相邻轮次发生反转的频率显著上升。

以MMLU为例：100个样本中出现64次 decision flip，意味着系统在连续轮次中反复改变多数结论。

在缺乏稳定性约束时，任何基于「当前多数」的提前停止或投票机制，都可能发生在transient agreement（暂时性一致） 上。

这不是推理能力问题，而是共识未被定义的问题。

同步模型错误：P99被最慢agent定义

当前多Agent系统普遍采用barrier synchronization，论文在AIME（1 req/s）场景下，对比了主流做法与引入共识机制后的系统表现：

多Agent baseline（MaxRound = 6）最慢请求为6571秒，P99 延迟为8749秒

引入共识机制后，最慢请求约325秒，P99延迟为772 秒；

在相同任务条件下：P99 延迟改善约11×，平均延迟改善约 20×

该差异并非来自模型推理能力，而来自同步范式从「等所有人」转向「达成共识即可推进」。

算力浪费：token消耗发生在收敛之后

论文进一步量化了多智能体系统中长期被忽视的问题：收敛之后的无效计算。

在多个基准任务上，引入Agentic Consensus后：

GSM8K：4.4×减少（约 1.3K vs 5.7K）

MMLU：3.3×减少（约 3.3K vs 10.7K）

AIME：1.3×减少（约 46.0K vs 59.9K）

IMO：1.1×减少（约 64.8K vs 73.8K）

与此同时，accuracy波动被控制在约2.5%以内。

这表明：token成本下降来自共识驱动的早停与取消机制，而不是通过牺牲质量实现。

数字刻画了系统边界

在引入Agentic Consensus（Advaita Research 提出的多智能体共识建模方法）后，系统行为出现了清晰的数量级变化：平均延迟降低1.2–20×，P99尾延迟最高改善11×，token消耗降低 1.1–4.4×，accuracy波动约2.5%

这些指标共同指向同一个系统级结论：多智能体推理的性能瓶颈，并不来自模型能力，而来自协作机制是否具备可操作的共识语义。

工程判断与应用前景

Agentic Consensus并不是一个附加能力，而是一条明确的系统分界线。

当Agent作为真实系统中的行动单元运行时，问题不再是：「单个模型能否推理得更好」，而是在多个随机推理主体并行的情况下，系统是否具备可判断、可停止、可扩展的一致性语义。

论文给出的核心判断标准是：如果一个多智能体系统无法明确回答「何时算达成一致、何时可以安全停止、延迟由谁决定」，那它在工程上仍停留在workflow，而非系统。

从这个角度看：decision flip、P99被最慢agent定义、收敛后的token浪费，都不是实现细节上的瑕疵，而是系统尚未进入「共识可操作阶段」的信号。

Advaita Research的这项工作，并不是提出一种新的Agent玩法，而是把Agentic Consensus提升为一个工程判断标准：多智能体推理，是否已经从「推理技巧的叠加」，迈入「具备可验证共识语义的系统」。

当这个标准成立，多智能体才能真正从demo走向production；当它不成立，再复杂的推理流程，也只是在同步成本之上叠加计算。

参考资料：

https://arxiv.org/pdf/2512.20184

文章来自于微信公众号 “新智元”，作者： “新智元”