Oracoli AI Multi-Agente Migliorano l'Accuratezza della Risoluzione nei Mercati di Previsione

Uno studio recente pubblicato su arXiv indaga il potenziale delle architetture LLM multi-agente per migliorare l'accuratezza della risoluzione degli oracoli nei mercati di previsione rispetto ai benchmark a modello singolo. Il team ha valutato l'aggregazione indipendente e il consenso deliberativo rispetto a modelli LLM singoli, tra cui GPT-5 Nano, DeepSeek V3 e Llama-3.3-70B, utilizzando 1.189 domande risolte da KalshiBench. Tutti gli agenti hanno avuto accesso a un livello di evidenza condiviso tramite Exa, con processi di recupero filtrati per data di pubblicazione per distinguere il ragionamento dalla qualità del recupero. La massima accuratezza, pari all'83,43%, è stata raggiunta tramite aggregazione indipendente con voto ponderato per confidenza. Questa ricerca sottolinea l'equilibrio tra automazione rapida ma fragile e arbitrato umano preciso ma costoso negli attuali sistemi di oracolo, indicando che le configurazioni multi-agente possono autocorreggersi e superare gli oracoli a singolo LLM.