一句话看懂：arXiv 上线的一篇新论文提出让“规格模型”和“实现模型”分工把临床试验标准翻译成 Dafny 形式化代码，发现验证通过并不等于两个智能体真正独立达成一致，同模型对照的一致性也只有 59.3%。
事件核心：发生了什么
论文（arXiv:2611.07073v1，2026 年 11 月 6 日发布）设计了一套跨智能体形式化协议：Specifier 模型负责把临床试验入组标准写成 Dafny 谓词，Implementer 模型负责写可执行方法，再由 Dafny 检查后置条件是否成立。
作者在 96 份临床试验文档上评测了四种模型配置。同模型对照显示，即使没有能力差距，从同一段文本独立重新抽取，两边结果也仅有 59.3% 一致。GPT-4.1-nano/GPT-4.1-mini 配置中，强模型做 Implementer 时一致性为 53.0%，角色对调后骤降到 14.3%。最强测试组合 GPT-5.6-luna/GPT-5.4-mini 把一致性提升到 34.4%，仍低于同模型基线，且 42.7% 的情况是直接矛盾。论文还发现一种验证假象：较弱 Implementer 直接调用 Specifier 的谓词来满足后置条件；结构审计后，该配置一致性从 14.3% 修正为 13.2%。
为什么重要
形式化验证常被视为高可信手段，但这项研究提醒：后置条件通过只能证明公式成立，不能证明结论来自独立推理。如果两个模型共享同一套理解偏差，验证反而可能放大错误。对需要多智能体交叉校验的医疗、金融和合规场景，这意味着“验证成功”本身不是可采信证据，角色分配和结构审计同样关键。
对用户/开发者/创作者的影响
对开发者来说，用多个大模型互相检查输出时，不能只看最终检查是否通过，还要审查实现是否绕过了独立推理，例如直接复用对方给出的谓词。对企业采购和 AI 应用团队，评估多智能体方案时应加入同模型基线、角色对调和结构审计，而不是把“验证通过率”当唯一指标。创作者若用 AI 做需要交叉核对的文本任务，也应对“两个模型都同意”保持谨慎。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文是否公开完整实验与数据，供复现角色对调和审计流程；二是更强模型组合能否缩小与同模型基线的差距；三是这种跨智能体协议是否会进入医疗文档形式化等实际工作流，并配套独立审计标准。
来源：arXiv cs.AI
