美国南加州大学博士生杨威及其研究团队提出了一种全新的元策略协商框架（Meta-Policy Deliberation Framework, MPDF），旨在解决当前基于大型语言模型（LLM）的多智能体系统在自主性、适应性与可解释性方面的核心瓶颈。现有方法虽通过共识增强、工具注入与训练范式演进提升了复杂任务的推理能力，但仍依赖预设协议，缺乏智能体在“何时坚持、何时优化、何时让步”上的内生决策能力，导致话痨、早锁定与震荡等问题。为此，团队首次将元认知能力引入多智能体协作，使每个智能体学习去中心化的元策略，动态选择Persist（坚持）、Refine（优化）或Concede（让步）三种高级行为，实现从被动执行者向主动策略制定者的转变。 在技术实现上，团队提出稳健的强化学习算法SoftRankPO，通过将奖励映射至平滑的正态分位数，有效抑制奖励尺度差异与长尾噪声带来的训练不稳定性，显著提升收敛性与跨任务迁移能力。同时，引入基于差分共识的信用分配机制，将团队效用分解为“个体自我改进增量”与“对最终共识的边际贡献”，实现了对个体贡献的量化评估，增强了系统的可解释性与可审计性。实验表明，该框架在数学推理、通识问答等任务中显著优于基线模型，且在不同模型规模与架构间保持一致增益，展现出卓越的泛化能力。 更值得关注的是，研究揭示了“策略性收敛”这一新现象：智能体在高置信度时主动沉默，减少无效交互；少数派若具备逻辑一致性，可坚持立场并引导系统修正错误，从而突破传统“多数服从”的局限，实现真正意义上的群体智慧。这一机制对金融风控、医疗诊断等高风险场景具有重要意义，可避免集体盲从；在新药研发与芯片设计等复杂任务中，有效抑制协作内耗，提升资源利用效率；在多机器人协同等具身场景下，实现去中心化动态协商，应对传感器冲突，增强系统安全性与响应速度。 研究过程历经六阶段：从路线调研、原型搭建到框架建模、可训练性验证，最终通过强化学习优化与实证分析完成闭环。尤其在训练稳定性攻关中，团队通过重构优势信号与精细化信用分配，成功克服了奖励噪声与信号混淆难题，体现了扎实的工程与理论结合能力。 业内专家评价该工作“精准捕捉了多智能体协作的深层瓶颈”，认为MPDF为“协作自主性”提供了可学习、可分析的形式化路径，SoftRankPO与差分信用分配机制则显著提升了训练鲁棒性与系统透明度。未来，团队计划拓展框架至更大模型与开放场景，并探索人机协同中的动态求助、赋能机制与连续学习，推动智能体系统真正融入人类社会。 杨威本科毕业于华中科技大学，硕士就读于中科院自动化所，研究聚焦信息检索与强化学习，奠定了坚实的科研基础。现于南加州大学攻读计算机科学博士，专注于生成式多智能体系统与多智能体强化学习，致力于赋予LLM驱动的智能体更强的协作与决策能力，其研究兼具前沿性与现实意义。