研究 · 2026 年 9 月

谁应审谁？

回答条件化的异配互审，用于测试时大模型推理

李锐 · 孙成龙 · 郑学燕 · 刘丹

际和（北京）科技有限责任公司 · 2026-09

让几个 AI 互相批改作业，已经是行业里的常规做法。但有一个少有人细问的问题：谁批改谁？我们把同一批回答按不同方式配对互审，在两个公开基准上做了 3,500 道题、约 14 万次调用的受控实验。答案可以帮你省钱：配对方式对最终结果没有影响——把意见最不合的两个安排在一起，并不比随机安排更好。

三个发现

「最不同」不等于「最有教益」

最远配对确实让 AI 更经常发现同伴的错误：检出率随语义距离单调上升，最高与最低十分位相差一个数量级。但发现错误不等于改正错误——检出之后，能否提出正确修复、修复能否被采纳，与距离无关。挑错的本事涨了，改错的本事没涨。

互审活跃，但净效应为零

每纠正一个错误答案，就有另一个原本正确的答案被「错误反对」带偏，两个方向几乎精确抵消。在更难的基准上，不做互审、直接把候选答案交给合成器，反而显著更好（+1.5 个百分点，p=0.010）。互审不是免费的中性步骤，在错误的地方它是一笔净成本。

瓶颈是信用分配

互审偶尔能提出四个初始答案里都没有的正确答案——新信息确实存在——但最终被采纳的不到 1.5%。系统分不清「纠正性分歧」与「错误反对」。让分歧变成可验证的小问题，是下一代系统该解决的事。

对做这类系统的人

多数投票加直接合成，用五分之一的 token 成本拿到与所有互审拓扑相同的准确率。把省下来的预算花在校准与验证上，而不是路由花样上。

双向漏斗：正向链（错误暴露→检出→修复→最终正确）与反向链（正确答案→错误反对→失稳→最终错误）。检出随距离上升，解决不随距离上升，反向链同步变重。

全文与材料

引用

@misc{fprr2026,
  title  = {Who Should Review Whom? Response-Conditioned Disassortative Peer Review for Test-Time LLM Reasoning},
  author = {Li, Rui and Sun, Chenglong and Zheng, Xueyan and Liu, Dan},
  year   = {2026},
  month  = sep,
  note   = {Gi (Beijing) Tech Design Ltd.}
}

后续

下一步实验不再研究「谁和谁讨论」，改研究「分歧里怎么分出谁可信」：固定候选答案与预算，只改变验证者能否看到候选答案，检验「蒙眼」能否阻断错误反对。设计已冻结，结果出来照旧公开。